論文の概要: Adverse Childhood Experiences Identification from Clinical Notes with Ontologies and NLP

• arxiv url: http://arxiv.org/abs/2208.11466v1
• Date: Wed, 24 Aug 2022 12:17:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 12:12:22.815751
• Title: Adverse Childhood Experiences Identification from Clinical Notes with Ontologies and NLP
• Title（参考訳）: オントロジーとNLPを併用した臨床ノートからの逆児期体験の同定
• Authors: Jinge Wu, Rowena Smith, Honghan Wu
• Abstract要約: 我々はNLP技術を用いて臨床ノートからACEを抽出するツールを開発している。 これにより、ACEとその後の精神疾患の進展との関係の証拠を明らかにするためのさらなる研究が可能になる。
• 参考スコア（独自算出の注目度）: 1.0349800230036503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse Childhood Experiences (ACEs) are defined as a collection of highly stressful, and potentially traumatic, events or circumstances that occur throughout childhood and/or adolescence. They have been shown to be associated with increased risks of mental health diseases or other abnormal behaviours in later lives. However, the identification of ACEs from free-text Electronic Health Records (EHRs) with Natural Language Processing (NLP) is challenging because (a) there is no NLP ready ACE ontologies; (b) there are limited cases available for machine learning, necessitating the data annotation from clinical experts. We are currently developing a tool that would use NLP techniques to assist us in surfacing ACEs from clinical notes. This will enable us further research in identifying evidence of the relationship between ACEs and the subsequent developments of mental illness (e.g., addictions) in large-scale and longitudinal free-text EHRs, which has previously not been possible.
• Abstract（参考訳）: 逆育児体験 (ACEs) は、小児期および青年期を通じて起こる、非常にストレスがあり、潜在的にトラウマ的な出来事や状況の集合として定義される。 それらは、後年の精神疾患やその他の異常な行動のリスクの増加と関連していることが示されている。 しかし、自然言語処理(NLP)による自由テキスト電子健康記録(EHR)からのACEの識別は困難である。 (a) NLP 対応ACE オントロジーは存在しない。 (b) 臨床専門家からのデータアノテーションを必要とする機械学習のケースは限られている。 現在我々はNLP技術を使って臨床ノートからACEを抽出するツールを開発している。 これにより、ACEとその後の精神疾患(例えば、中毒)の関連性を示す証拠を、これまで不可能であった大規模かつ長手な自由テキスト EHR で特定することが可能になる。

関連論文リスト

• Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [61.633126163190724]
  精神病は、社会的、個人的コストがかなり高い広範囲で不安定な状態である。 近年の人工知能(AI)の進歩は、うつ病、不安障害、双極性障害、統合失調症、外傷後ストレス障害などの病態を認識し、対処するための大きな可能性を秘めている。 データセットやトレーニング済みモデルからの機密データ漏洩のリスクを含むプライバシー上の懸念は、これらのAIシステムを実際の臨床環境にデプロイする上で、依然として重要な障壁である。
  論文  参考訳（メタデータ） (2025-02-01T15:10:02Z)
• Digital Health Innovations for Screening and Mitigating Mental Health Impacts of Adverse Childhood Experiences: Narrative Review [0.4194295877935868]
  本研究は、子どもと若者のACEに関連するリスクやメンタルヘルスの結果をスクリーニングし、軽減するために、デジタルヘルス技術(DHT)と人工知能の使用に関する物語的レビューである。 DHT、機械学習ツール、自然言語処理、人工知能の使用は、ACEと関連するリスクファクターの緩和に有効である。
  論文  参考訳（メタデータ） (2025-01-30T21:22:54Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Identifying Health Risks from Family History: A Survey of Natural Language Processing Techniques [10.121264712810616]
  本研究では,家族性疾患のリスクを特定するために,デジタル健康記録を活用するために開発された技術について文献調査を行った。 ルールベースの手法は研究が盛んであり、現在も家族の歴史抽出に積極的に利用されている点を強調した。 より最近の取り組みは、大規模で事前訓練された言語モデルに基づくニューラルモデルの構築である。
  論文  参考訳（メタデータ） (2024-03-15T03:43:07Z)
• Comparison of Probabilistic Deep Learning Methods for Autism Detection [0.0]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、現在世界中で普及している神経発達障害の一つ。 この疾患の早期発見は、発症治療に役立ち、正常な生活を導くのに役立つ。
  論文  参考訳（メタデータ） (2023-03-09T17:49:37Z)
• GDPR Compliant Collection of Therapist-Patient-Dialogues [48.091760741427656]
  我々は、欧州連合の一般データプライバシ規則の下で、精神医学クリニックでセラピストと患者との対話の収集を始める際に直面した課題について詳しく述べる。 本稿では、手順の各ステップの概要を述べ、この分野でのさらなる研究を動機付ける潜在的な落とし穴を指摘した。
  論文  参考訳（メタデータ） (2022-11-22T15:51:10Z)
• Ontology-Driven Self-Supervision for Adverse Childhood Experiences Identification Using Social Media Datasets [1.0349800230036503]
  逆児体験(ACE)は、精神疾患やその後の生活における他の異常な行動のリスクの増加と関連していることが示されている。 自然言語処理(NLP)によるテキストデータからのACEの識別は,NLP対応のACEが存在しないため困難である。 本稿では,大規模機械学習を支援するために,オントロジー駆動型自己教師型手法を提案する。
  論文  参考訳（メタデータ） (2022-08-24T12:23:01Z)
• Using Deep Learning to Identify Patients with Cognitive Impairment in Electronic Health Records [0.0]
  認知症に苦しむ患者は4人に1人しかいない。 認知症は医療専門家によって診断されていない。 ディープラーニングNLPは、認知症に関連するICDコードや薬品なしで認知症患者を識別できる。
  論文  参考訳（メタデータ） (2021-11-13T01:44:10Z)
• CREATe: Clinical Report Extraction and Annotation Technology [53.731999072534876]
  臨床症例報告は、特定の臨床症例の特異な側面を記述した記述である。 これらのレポートを注釈付け、インデックス付け、あるいはキュレートするエンドツーエンドシステムを開発する試みはない。 本稿では,新たな計算資源プラットフォームを提案し,臨床事例レポートの内容の抽出,索引付け,照会を行う。
  論文  参考訳（メタデータ） (2021-02-28T16:50:14Z)
• Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
  資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。 我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-08-21T20:22:55Z)
• A Smartphone-based System for Real-time Early Childhood Caries Diagnosis [76.71303610807156]
  6歳未満の小児では, 乳児期チャイナリー (ECC) が最も多いが, 予防可能な慢性疾患である。 本研究では,キャビティ検出のための多段階深層学習システムを提案する。 我々は、ディープラーニングシステムを、早期からECCを診断し、トレーニングされていないユーザにリアルタイムな結果を提供する、使い易いモバイルアプリケーションに統合する。
  論文  参考訳（メタデータ） (2020-08-17T21:11:19Z)

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。