論文の概要: FD-GATDR: A Federated-Decentralized-Learning Graph Attention Network for
Doctor Recommendation Using EHR
- arxiv url: http://arxiv.org/abs/2207.05750v1
- Date: Mon, 11 Jul 2022 18:53:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 12:51:23.727758
- Title: FD-GATDR: A Federated-Decentralized-Learning Graph Attention Network for
Doctor Recommendation Using EHR
- Title(参考訳): FD-GATDR : EHRを用いた医師推薦のためのフェデレーション型学習グラフアテンションネットワーク
- Authors: Luning Bi, Yunlong Wang, Fan Zhang, Zhuqing Liu, Yong Cai, Emily Zhao
- Abstract要約: 本稿では,患者と医師の潜在的なつながりを再構築するための時間埋め込み型医師推薦システムを提案する。
また,患者データ共有病院のプライバシー問題に対処するため,最小化最適化モデルに基づく分散分散型学習手法を提案する。
- 参考スコア(独自算出の注目度): 6.46446579065236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the past decade, with the development of big data technology, an
increasing amount of patient information has been stored as electronic health
records (EHRs). Leveraging these data, various doctor recommendation systems
have been proposed. Typically, such studies process the EHR data in a
flat-structured manner, where each encounter was treated as an unordered set of
features. Nevertheless, the heterogeneous structured information such as
service sequence stored in claims shall not be ignored. This paper presents a
doctor recommendation system with time embedding to reconstruct the potential
connections between patients and doctors using heterogeneous graph attention
network. Besides, to address the privacy issue of patient data sharing crossing
hospitals, a federated decentralized learning method based on a minimization
optimization model is also proposed. The graph-based recommendation system has
been validated on a EHR dataset. Compared to baseline models, the proposed
method improves the AUC by up to 6.2%. And our proposed federated-based
algorithm not only yields the fictitious fusion center's performance but also
enjoys a convergence rate of O(1/T).
- Abstract(参考訳): 過去10年間、ビッグデータ技術の発展に伴い、患者情報は電子健康記録(ehrs)として保存されるようになった。
これらのデータを活用することで、様々な医師推薦システムが提案されている。
典型的には、これらの研究はEHRデータを平坦な構造で処理し、そこでは各遭遇を非秩序な特徴集合として扱う。
それでも,クレームに格納されたサービスシーケンスのような異質な構造化情報は無視されない。
本稿では,異種グラフアテンションネットワークを用いて患者と医師の潜在的なつながりを再構築するための時間埋め込み型医師レコメンデーションシステムを提案する。
また,交差病院における患者データ共有のプライバシ問題に対処するために,最小化最適化モデルに基づく統合分散分散学習手法を提案する。
グラフベースのレコメンデーションシステムは、EHRデータセット上で検証されている。
ベースラインモデルと比較して,提案手法はAUCを最大6.2%改善する。
提案するフェデレーションベースアルゴリズムは, 架空の核融合センターの性能だけでなく, O(1/T)の収束率も享受する。
関連論文リスト
- Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳(メタデータ) (2024-02-02T00:31:01Z) - README: Bridging Medical Jargon and Lay Understanding for Patient
Education through Data-Centric NLP [9.746045026596638]
医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。
私たちはまず、2万以上のユニークな医療用語と30万件の言及からなるデータセットを作成しました。
また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
論文 参考訳(メタデータ) (2023-12-24T23:01:00Z) - Active Learning Guided Federated Online Adaptation: Applications in
Medical Image Segmentation [17.91288898488217]
本稿では,医師のフィードバックをアクティブな学習を通じて取り入れた医療画像分割手法を提案する。
公開データセットを用いた実験の結果,提案手法は教師なしのオンライン適応法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-08T23:43:17Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Medical Federated Model with Mixture of Personalized and Sharing
Components [31.068735334318088]
本稿では,その問題に対処するための新しい個人化学習フレームワークを提案する。
ローカルデータ間の類似性を認識したパーソナライズされたモデルが得られる。
また,計算効率を大幅に向上させる効率的な計算コスト削減手法を提案する。
論文 参考訳(メタデータ) (2023-06-26T07:50:32Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - Learning Personalized Brain Functional Connectivity of MDD Patients from
Multiple Sites via Federated Bayesian Networks [9.873532358701803]
我々は,複数のベイズネットワークの同時学習のための連合型共同推定器NOTEARS-PFLを提案する。
合成および実世界のマルチサイトRS-fMRIデータセットにおける提案手法の性能評価を行った。
論文 参考訳(メタデータ) (2023-01-06T08:58:06Z) - On the Importance of Clinical Notes in Multi-modal Learning for EHR Data [0.0]
電子健康記録データと臨床ノートを併用することにより,患者モニタリングの予測性能が向上することが従来研究で示されている。
EHRデータと臨床ノートを組み合わせることで、最先端のEHRデータモデルよりもパフォーマンスが大幅に向上することを確認した。
次に、臨床医のメモよりも、患者の状態に関するより広い文脈を含むメモのサブセットから、改善がほぼ排他的に生じることを示す分析を行った。
論文 参考訳(メタデータ) (2022-12-06T15:18:57Z) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳(メタデータ) (2022-06-11T18:03:26Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-09-24T00:42:36Z)
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。