論文の概要: Machine Learning for Violence Risk Assessment Using Dutch Clinical Notes

• arxiv url: http://arxiv.org/abs/2204.13535v1
• Date: Thu, 28 Apr 2022 14:36:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 13:17:45.509530
• Title: Machine Learning for Violence Risk Assessment Using Dutch Clinical Notes
• Title（参考訳）: オランダ臨床ノートを用いた暴力リスク評価のための機械学習
• Authors: Pablo Mosteiro and Emil Rijcken and Kalliopi Zervanou and Uzay Kaymak and Floortje Scheepers and Marco Spruit
• Abstract要約: 精神医学施設における暴力リスク評価は、介入によって暴力事件を避けることができる。 本研究では,精神科患者の暴力リスクを評価するための従来型および深層機械学習手法について,実践ノートを用いて検討する。
• 参考スコア（独自算出の注目度）: 0.988455728566886
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Violence risk assessment in psychiatric institutions enables interventions to avoid violence incidents. Clinical notes written by practitioners and available in electronic health records are valuable resources capturing unique information, but are seldom used to their full potential. We explore conventional and deep machine learning methods to assess violence risk in psychiatric patients using practitioner notes. The performance of our best models is comparable to the currently used questionnaire-based method, with an area under the Receiver Operating Characteristic curve of approximately 0.8. We find that the deep-learning model BERTje performs worse than conventional machine learning methods. We also evaluate our data and our classifiers to understand the performance of our models better. This is particularly important for the applicability of evaluated classifiers to new data, and is also of great interest to practitioners, due to the increased availability of new data in electronic format.
• Abstract（参考訳）: 精神医学施設における暴力リスク評価は、介入によって暴力事件を避けることができる。 電子健康記録に記載された開業医による臨床記録は、ユニークな情報を収集する貴重な資料であるが、その潜在能力を最大限に活用することはほとんどない。 本研究は,精神科患者の暴力リスクを評価するための従来の深層機械学習手法である。 ベストモデルの性能は,現在使用されているサーベイベース手法に匹敵するものであり,受信者動作特性曲線の約0.8。 深層学習モデルBERTjeは従来の機械学習手法よりも性能が劣ることがわかった。 また、モデルの性能をよりよく理解するために、データと分類器を評価します。 これは、評価された分類器を新しいデータに適用する上で特に重要であり、電子形式での新しいデータが利用可能になるため、実践者にとっても非常に興味がある。

関連論文リスト

• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Robust Surgical Tools Detection in Endoscopic Videos with Noisy Data [2.566694420723775]
  ノイズデータを用いた手術用ツール検出のためのロバストなモデルを開発するための体系的手法を提案する。 提案手法では,(1)データセットの最小化のための知的能動学習戦略と,(2)学習者モデルに基づく自己学習フレームワークの組み立て戦略,の2点を紹介する。 提案手法は,クラス重み付きアンサンブルモデルを用いた自己学習では平均85.88%,うるさいラベルでは80.88%のF1スコアを達成する。
  論文  参考訳（メタデータ） (2023-07-03T08:12:56Z)
• AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning [72.2614468437919]
  本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。 我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
  論文  参考訳（メタデータ） (2022-10-21T16:31:46Z)
• Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
  本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。 これは私たちの最良の知識の一般的な評価の最初の定義です。
  論文  参考訳（メタデータ） (2022-08-23T09:37:31Z)
• Federated learning for violence incident prediction in a simulated cross-institutional psychiatric setting [3.6939898792640213]
  暴力的になる可能性のある人物を知ることは、スタッフのレベルと重大さに影響を与える可能性がある。 機械学習モデルは、臨床ノートに基づいて患者が暴力的になる可能性を評価することができる。 フェデレートラーニングは、訓練モデルによるデータ制限の問題を分散的に克服することができる。
  論文  参考訳（メタデータ） (2022-05-17T07:37:12Z)
• Making sense of violence risk predictions using clinical notes [0.988455728566886]
  精神医学施設における暴力リスク評価は、介入によって暴力事件を避けることができる。 これまでの研究では、そのようなノートを用いて精神科患者の暴力リスクを許容できるパフォーマンスで評価しようと試みてきた。
  論文  参考訳（メタデータ） (2022-04-29T10:00:07Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Machine learning-based clinical prediction modeling -- A practical guide for clinicians [0.0]
  機械学習や人工知能に関連する原稿の数は、ここ数年で指数関数的に増えている。 第1節では、機械学習の一般的な原理について解説する。 さらに,再サンプリング,オーバーフィッティング,モデル一般化性の重要性とモデル評価戦略を概観する。
  論文  参考訳（メタデータ） (2020-06-23T20:11:37Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。