論文の概要: Modelling Patient Trajectories Using Multimodal Information
- arxiv url: http://arxiv.org/abs/2209.04224v1
- Date: Fri, 9 Sep 2022 10:20:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 12:59:42.487978
- Title: Modelling Patient Trajectories Using Multimodal Information
- Title（参考訳）: マルチモーダル情報を用いた患者軌跡のモデル化
- Authors: Jo\~ao Figueira Silva and S\'ergio Matos
- Abstract要約: 本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。
本手法は, 予期せぬ患者寛解と疾患進行の2つの異なる臨床結果に基づいて検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electronic Health Records (EHRs) aggregate diverse information at the patient
level, holding a trajectory representative of the evolution of the patient
health status throughout time. Although this information provides context and
can be leveraged by physicians to monitor patient health and make more accurate
prognoses/diagnoses, patient records can contain information from very long
time spans, which combined with the rapid generation rate of medical data makes
clinical decision making more complex. Patient trajectory modelling can assist
by exploring existing information in a scalable manner, and can contribute in
augmenting health care quality by fostering preventive medicine practices. We
propose a solution to model patient trajectories that combines different types
of information and considers the temporal aspect of clinical data. This
solution leverages two different architectures: one supporting flexible sets of
input features, to convert patient admissions into dense representations; and a
second exploring extracted admission representations in a recurrent-based
architecture, where patient trajectories are processed in sub-sequences using a
sliding window mechanism. The developed solution was evaluated on two different
clinical outcomes, unexpected patient readmission and disease progression,
using the publicly available MIMIC-III clinical database. The results obtained
demonstrate the potential of the first architecture to model readmission and
diagnoses prediction using single patient admissions. While information from
clinical text did not show the discriminative power observed in other existing
works, this may be explained by the need to fine-tune the clinicalBERT model.
Finally, we demonstrate the potential of the sequence-based architecture using
a sliding window mechanism to represent the input data, attaining comparable
performances to other existing solutions.
- Abstract（参考訳）: 電子健康記録 (Electronic Health Records, EHRs) は、患者の健康状態の経時的変化の軌跡として、患者レベルで多様な情報を収集する。
この情報はコンテキストを提供し、医師が患者の健康状態を監視し、より正確な予後/診断を行うために利用できるが、患者の記録には、非常に長い期間にわたる情報が含まれている可能性がある。
患者軌道モデリングは、既存の情報をスケーラブルな方法で探索することで支援することができ、予防医療の実践を育むことで医療の質を高めることに貢献することができる。
本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。
本手法は, 患者入力を高密度な表現に変換するための柔軟な特徴セットをサポートする2つのアーキテクチャと, リカレントベースアーキテクチャにおいて, 患者軌跡をスライディングウインドウ機構を用いてサブシーケンスで処理する2つの入力表現を探索する。
本研究は,MIMIC-III臨床データベースを用いて,予期せぬ患者寛解と疾患進行の2つの異なる臨床結果について検討した。
以上の結果から,1回の入院患者による寛解と診断の予測をモデル化する最初のアーキテクチャの可能性が示された。
臨床文献から得られた情報は、他の既存の研究で観察された差別力を示すものではないが、臨床BERTモデルを微調整する必要性から説明できる。
最後に,入力データを表すスライディングウィンドウ機構を用いてシーケンスベースアーキテクチャの可能性を示し,他の既存ソリューションと同等の性能を実現する。
関連論文リスト
- Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - An Interpretable Deep-Learning Framework for Predicting Hospital
Readmissions From Electronic Health Records [2.156208381257605]
そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。
実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
論文 参考訳（メタデータ） (2023-10-16T08:48:52Z) - Digital Twins for Patient Care via Knowledge Graphs and Closed-Form
Continuous-Time Liquid Neural Networks [0.0]
デジタル双生児は、製造業、サプライチェーンのロジスティクス、土木インフラなどの産業で急速に勢いを増している。
マルチモーダル患者データを用いた複雑な疾患のモデル化の課題と、その解析の複雑さは、生体医療分野におけるデジタル双生児の採用を阻害している。
本稿では,計算コストとモデリング複雑さによる臨床双対モデリングの障壁に対処する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-07-08T12:52:31Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳（メタデータ） (2023-06-01T16:23:47Z) - Towards Trustworthy Cross-patient Model Development [3.109478324371548]
本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。
以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2021-12-20T10:51:04Z) - Development of patients triage algorithm from nationwide COVID-19
registry data based on machine learning [1.0323063834827415]
本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。
モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。
本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
論文 参考訳（メタデータ） (2021-09-18T19:56:27Z) - 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) - Medical Profile Model: Scientific and Practical Applications in
Healthcare [1.718235998156457]
本研究は, 患者の病歴を, 病の時間的シーケンスとして提示し, その埋め込みを教師なしで学習する。
埋め込みスペースには、一般化された患者プロファイルの作成を可能にする人口統計パラメータが含まれている。
このような医療プロファイルモデルのトレーニングは、100万人以上の患者のデータセット上で実施されている。
論文 参考訳（メタデータ） (2021-06-21T13:30:43Z) - 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) - 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) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。