Fugu-MT 論文翻訳(概要): Making sense of violence risk predictions using clinical notes

論文の概要: Making sense of violence risk predictions using clinical notes

arxiv url: http://arxiv.org/abs/2204.13976v1
Date: Fri, 29 Apr 2022 10:00:07 GMT
ステータス: 処理完了
システム内更新日: 2022-05-02 13:44:54.400306
Title: Making sense of violence risk predictions using clinical notes
Title（参考訳）: 臨床ノートによる暴力リスク予測の理解
Authors: Pablo Mosteiro, Emil Rijcken, Kalliopi Zervanou, Uzay Kaymak, Floortje Scheepers, 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。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。
参考スコア（独自算出の注目度）: 0.988455728566886
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Violence risk assessment in psychiatric institutions enables interventions to avoid violence incidents. Clinical notes written by practitioners and available in electronic health records (EHR) are valuable resources that are seldom used to their full potential. Previous studies have attempted to assess violence risk in psychiatric patients using such notes, with acceptable performance. However, they do not explain why classification works and how it can be improved. We explore two methods to better understand the quality of a classifier in the context of clinical note analysis: random forests using topic models, and choice of evaluation metric. These methods allow us to understand both our data and our methodology more profoundly, setting up the groundwork to work on improved models that build upon this understanding. This is particularly important when it comes to the generalizability of evaluated classifiers to new data, a trustworthiness problem that is of great interest 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。エレクトロニック・ヘルス・レコーズ(EHR)に記載された臨床記録は、その潜在能力にはほとんど使われていない貴重な資料である。これまでの研究では、こ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性能で評価しようと試みている。しかし、なぜ分類が機能するのか、どのように改善できるかは説明されていない。臨床ノート分析の文脈で分類器の品質をよりよく理解するための2つの方法を探る:トピックモデルを用いたランダム森林と評価基準の選択。これらの手法は、我々のデータと方法論の両方をより深く理解し、この理解に基づいて構築された改善モデルに取り組むための基盤を構築する。これは、新しいデータに対する評価された分類器の一般化に関して特に重要である。

関連論文リスト

Towards objective and interpretable speech disorder assessment: a comparative analysis of CNN and transformer-based models [7.774205081900019]
頭頸部癌(HNC)は、患者の発話能力に大きな影響を与え、生活の質に影響を及ぼす。本研究では,HNC患者を対象とした音声分類のための自己教師型Wav2Vec2モデルを提案する。
論文参考訳（メタデータ） (2024-06-07T08:51:52Z)
From Classification to Clinical Insights: Towards Analyzing and Reasoning About Mobile and Behavioral Health Data With Large Language Models [21.427976533706737]
我々は,多センサデータから臨床的に有用な知見を合成するために,大規模言語モデルを活用する新しいアプローチを採っている。うつ病や不安などの症状とデータの傾向がどのように関連しているかを,LSMを用いて推論する思考促進手法の連鎖を構築した。 GPT-4のようなモデルでは数値データの75%を正確に参照しており、臨床参加者は、この手法を用いて自己追跡データを解釈することへの強い関心を表明している。
論文参考訳（メタデータ） (2023-11-21T23:53:27Z)
Classification of Dysarthria based on the Levels of Severity. A Systematic Review [1.7624130429860712]
本研究は,重症度に基づく変形性関節症分類手法の体系的検討を目的としている。変形性関節症の重症度自動分類に関する文献を体系的にレビューする。
論文参考訳（メタデータ） (2023-10-11T07:40:46Z)
Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文参考訳（メタデータ） (2023-02-11T18:07:11Z)
Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文参考訳（メタデータ） (2022-06-16T17:59:05Z)
Machine Learning for Violence Risk Assessment Using Dutch 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。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。
論文参考訳（メタデータ） (2022-04-28T14:36:06Z)
Classifying Cyber-Risky Clinical Notes by Employing Natural Language Processing [9.77063694539068]
近年、アメリカ合衆国内の一部の州では、患者が臨床ノートに自由にアクセスできるように求めている。本研究は,臨床ノートにおけるセキュリティ・プライバシリスクの特定方法について検討する。
論文参考訳（メタデータ） (2022-03-24T00:36:59Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。感染発生率の低減に向けた意思決定を支援することを目的とする。
論文参考訳（メタデータ） (2020-05-07T16:13:12Z)
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。