論文の概要: MedML: Fusing Medical Knowledge and Machine Learning Models for Early
Pediatric COVID-19 Hospitalization and Severity Prediction
- arxiv url: http://arxiv.org/abs/2207.12283v1
- Date: Mon, 25 Jul 2022 15:56:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 15:23:56.478413
- Title: MedML: Fusing Medical Knowledge and Machine Learning Models for Early
Pediatric COVID-19 Hospitalization and Severity Prediction
- Title（参考訳）: medml:小児の早期入院と重症度予測のための医療知識と機械学習モデルの利用
- Authors: Junyi Gao, Chaoqi Yang, George Heintz, Scott Barrows, Elise Albers,
Mary Stapel, Sara Warfield, Adam Cross, Jimeng Sun, the N3C consortium
- Abstract要約: 我々は、新しい機械学習モデルであるMedMLを用いて、全国的な小児新型コロナウイルスデータ問題に対処する。
MedMLは600万以上の医療概念から、医療知識と妥当性スコアに基づいて最も予測可能な特徴を抽出する。
入院予測タスクは143,605名,重症度予測タスクは11,465名,重症度予測タスクは143,605名であった。
- 参考スコア（独自算出の注目度）: 27.352097332678213
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The COVID-19 pandemic has caused devastating economic and social disruption,
straining the resources of healthcare institutions worldwide. This has led to a
nationwide call for models to predict hospitalization and severe illness in
patients with COVID-19 to inform distribution of limited healthcare resources.
We respond to one of these calls specific to the pediatric population. To
address this challenge, we study two prediction tasks for the pediatric
population using electronic health records: 1) predicting which children are
more likely to be hospitalized, and 2) among hospitalized children, which
individuals are more likely to develop severe symptoms.
We respond to the national Pediatric COVID-19 data challenge with a novel
machine learning model, MedML. MedML extracts the most predictive features
based on medical knowledge and propensity scores from over 6 million medical
concepts and incorporates the inter-feature relationships between heterogeneous
medical features via graph neural networks (GNN). We evaluate MedML across
143,605 patients for the hospitalization prediction task and 11,465 patients
for the severity prediction task using data from the National Cohort
Collaborative (N3C) dataset. We also report detailed group-level and
individual-level feature importance analyses to evaluate the model
interpretability.
MedML achieves up to a 7% higher AUROC score and up to a 14% higher AUPRC
score compared to the best baseline machine learning models and performs well
across all nine national geographic regions and over all three-month spans
since the start of the pandemic. Our cross-disciplinary research team has
developed a method of incorporating clinical domain knowledge as the framework
for a new type of machine learning model that is more predictive and
explainable than current state-of-the-art data-driven feature selection
methods.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)のパンデミックは、世界各国の医療機関の資源を圧迫し、経済と社会の破壊を引き起こしている。
この結果、新型コロナウイルス(COVID-19)患者の入院や重篤な病気を予測し、限られた医療資源の配布を知らせるモデルが全国的に求められている。
小児科の患者に特有の電話の1つに反応します
この課題に対処するため、電子健康記録を用いた小児人口予測タスクを2つ検討した。
1)どの子どもが入院する確率が高いかを予測すること、及び
2) 入院児では, 重度の症状を発症する傾向がみられた。
我々は、新しい機械学習モデルであるmedmlを用いて、全国的な小児感染症データチャレンジに回答する。
MedMLは600万以上の医療概念から医療知識と適合度スコアに基づいて最も予測可能な特徴を抽出し、グラフニューラルネットワーク(GNN)を介して異種医療特徴間の機能間関係を取り入れている。
入院予測タスクは143,605例,重症度予測タスクは11,465例で,国立コホート・コラボレーティブ(n3c)データセットのデータを用いて評価した。
また、モデル解釈可能性を評価するために、グループレベルおよび個別レベルの特徴重要度分析を詳細に報告する。
medmlは最大7%のaurocスコアと14%のauprcスコアを、最高のベースライン機械学習モデルと比較して達成し、パンデミックの開始以来、全国9つの地域、および3ヶ月にわたってよく機能する。
本研究チームは,最新のデータ駆動型特徴選択手法よりも予測可能かつ説明可能な新しいタイプの機械学習モデルのフレームワークとして,臨床領域知識を組み込む手法を開発した。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Feature-context driven Federated Meta-Learning for Rare Disease
Prediction [5.841823822793997]
本稿では,フェデレートされたメタラーニングに基づく,まれな疾患予測のための新しいアプローチを提案する。
提案手法は,従来のフェデレーションメタ学習アルゴリズムの精度と高速化に優れることを示す。
論文 参考訳（メタデータ） (2021-12-29T02:18:43Z) - Developing and validating multi-modal models for mortality prediction in
COVID-19 patients: a multi-center retrospective study [1.5308395762165423]
マルチセンター患者データを用いて、新型コロナウイルス死亡予測のためのマルチモーダルモデルの開発と検証を行った。
私たちのゴールは、調査員や組織が予測、分類、最適化のためのマルチモーダルモデルを構築するのを支援するツールキットを作ることです。
論文 参考訳（メタデータ） (2021-09-01T04:46:27Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - From predictions to prescriptions: A data-driven response to COVID-19 [42.57407485467993]
新型コロナウイルスの臨床的特徴を理解するための包括的データ駆動型アプローチを提案する。
私たちは、感染や死亡のリスクを予測するために、パーソナライズされた電卓を構築します。
人工呼吸器の再配置と不足軽減のための最適化モデルを提案する。
論文 参考訳（メタデータ） (2020-06-30T03:34:00Z)
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。