Fugu-MT 論文翻訳(概要): Decentralized Machine Learning for Intelligent Health Care Systems on the Computing Continuum

論文の概要: Decentralized Machine Learning for Intelligent Health Care Systems on the Computing Continuum

arxiv url: http://arxiv.org/abs/2207.14584v1
Date: Fri, 29 Jul 2022 10:04:51 GMT
ステータス: 処理完了
システム内更新日: 2022-08-01 12:31:19.286463
Title: Decentralized Machine Learning for Intelligent Health Care Systems on the Computing Continuum
Title（参考訳）: 計算継続性に基づくインテリジェントヘルスケアシステムのための分散機械学習
Authors: Dragi Kimovski, Sasko Ristov, Radu Prodan
Abstract要約: 複数の医療機関にまたがって匿名の予測分析を可能にする概念的EHRを提案し,評価する。評価結果から,分散EHRは最大60%の機械学習時間を短縮し,コンセンサスレイテンシが8秒未満で計算連続体上に展開可能であることが示唆された。
参考スコア（独自算出の注目度）: 2.9146412510209565
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The introduction of electronic personal health records (EHR) enables nationwide information exchange and curation among different health care systems. However, the current EHR systems do not provide transparent means for diagnosis support, medical research or can utilize the omnipresent data produced by the personal medical devices. Besides, the EHR systems are centrally orchestrated, which could potentially lead to a single point of failure. Therefore, in this article, we explore novel approaches for decentralizing machine learning over distributed ledgers to create intelligent EHR systems that can utilize information from personal medical devices for improved knowledge extraction. Consequently, we proposed and evaluated a conceptual EHR to enable anonymous predictive analysis across multiple medical institutions. The evaluation results indicate that the decentralized EHR can be deployed over the computing continuum with reduced machine learning time of up to 60% and consensus latency of below 8 seconds.
Abstract（参考訳）: 電子健康記録(ehr)の導入により、様々な医療システム間の全国的な情報交換とキュレーションが可能になる。しかし、現在のehrシステムは、診断支援や医療研究のための透明な手段を提供しておらず、また、個人医療機器によって生成された全現データを活用できる。さらに、EHRシステムは中央的に編成されており、単一の障害点につながる可能性がある。そこで,本稿では,分散型台帳上で機械学習を分散化し,個人医療機器からの情報を活用して知識抽出を改善するインテリジェントEHRシステムを構築するための新しいアプローチについて検討する。その結果,複数の医療機関にまたがる匿名予測分析を可能にする概念的EHRを提案し,評価した。評価結果から,分散EHRは最大60%の機械学習時間を短縮し,コンセンサスレイテンシが8秒未満で計算連続体上に展開可能であることが示唆された。

関連論文リスト

FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
論文参考訳（メタデータ） (2024-08-17T15:18:56Z)
Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction [7.5569033426158585]
自動診断におけるLarge Language Models (LLMs) の習熟度を高めるための革新的なアプローチを提案する。我々は,国立医科大学統一医療言語システム(UMLS)からKGを抽出した。我々のアプローチは説明可能な診断経路を提供し、AIによる診断決定支援システムの実現に近づいている。
論文参考訳（メタデータ） (2023-08-28T06:05:18Z)
UniHPF : Universal Healthcare Predictive Framework with Zero Domain Knowledge [9.406539794019581]
医療領域の知識を必要とせず、複数の予測タスクに対して最小限の事前処理を行うUniHPF(UniHPF)を提案する。実験結果から、UniHPF は、異なる EHR システムから任意の形態の医療データを処理できる大規模な EHR モデルを構築することができることが示された。
論文参考訳（メタデータ） (2022-11-15T12:05:03Z)
Reducing a complex two-sided smartwatch examination for Parkinson's Disease to an efficient one-sided examination preserving machine learning accuracy [63.20765930558542]
パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
論文参考訳（メタデータ） (2022-05-11T09:12:59Z)
Distantly supervised end-to-end medical entity extraction from electronic health records with human-level quality [77.34726150561087]
本稿では,電子健康記録(EHR)から医療用脳波を単一段階のマルチラベル分類タスクとして行う新しい手法を提案する。我々のモデルは、医療知識ベースから自動的に抽出されたターゲットを用いて、遠距離から教師付きでエンドツーエンドに訓練されている。我々の研究は、十分な量の未ラベルのEHRと医療知識ベースが利用できることを考えると、人間の監督なく、人的品質で、医療機関の抽出をエンドツーエンドで行えることを実証している。
論文参考訳（メタデータ） (2022-01-25T17:04:46Z)
Personalized On-Device E-health Analytics with Decentralized Block Coordinate Descent [31.1216484913789]
古典的なクラウドベース/分散eヘルスパラダイムでは、すべてのデータが、モデルトレーニングを容易にするために、サーバに中央に保存されます。我々は、分散化されたデバイス上に分散されたディープニューラルネットワークベースのモデルを最適化し、E-Health分析のために、分散ブロックコーディネートDescent(D-BCD)学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-12-17T06:23:20Z)
Automated, real-time hospital ICU emergency signaling: A field-level implementation [1.5399429731150378]
我々は,新しい患者監視システムを設計する。提案するプロトタイプは,安価な周辺機器と簡易ユーザインタフェースを備える。患者データを連続的に評価することにより、システムはリアルタイムで重要な事象を確実に検出でき、誤警報率も低いことを示す。
論文参考訳（メタデータ） (2021-11-03T03:32:33Z)
MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文参考訳（メタデータ） (2021-09-29T18:09:41Z)
Web based disease prediction and recommender system [0.9176056742068814]
病歴を保存し,病状を予知する Web ベースの患者診断システムを提案する。早期の疾患予測は、ユーザが病気の重症度を判断し、迅速な行動を取るのに役立つ。中央データベースは、医療データが保存され、システムに透明性があることを保証する。
論文参考訳（メタデータ） (2021-06-05T06:47:54Z)
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)
CPAS: the UK's National Machine Learning-based Hospital Capacity Planning System for COVID-19 [111.69190108272133]
新型コロナウイルス(COVID-19)の2019年は、集中治療リソースに対する前例のない需要を伴う圧倒的な医療システムの脅威となる。病院資源計画のための機械学習システムであるCPAS(COVID-19 Capacity Planning and Analysis System)を開発した。 CPASは、新型コロナウイルス(COVID-19)のパンデミックに対処するため、全国規模で病院に配備された最初の機械学習ベースのシステムの一つだ。
論文参考訳（メタデータ） (2020-07-27T19:39:13Z)

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。