論文の概要: Ontologizing Health Systems Data at Scale: Making Translational
Discovery a Reality
- arxiv url: http://arxiv.org/abs/2209.04732v1
- Date: Sat, 10 Sep 2022 19:31:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 13:43:31.713115
- Title: Ontologizing Health Systems Data at Scale: Making Translational
Discovery a Reality
- Title(参考訳): 大規模医療システムデータのオントロギング: 翻訳発見を現実にする
- Authors: Tiffany J. Callahan, Adrianne L. Stefanski, Jordan M. Wyrwa, Chenjie
Zeng, Anna Ostropolets, Juan M. Banda, William A. Baumgartner Jr., Richard D.
Boyce, Elena Casiraghi, Ben D. Coleman, Janine H. Collins, Sara J.
Deakyne-Davies, James A. Feinstein, Melissa A. Haendel, Asiyah Y. Lin, Blake
Martin, Nicolas A. Matentzoglu, Daniella Meeker, Justin Reese, Jessica
Sinclair, Sanya B. Taneja, Katy E. Trinkley, Nicole A. Vasilevsky, Andrew
Williams, Xingman A. Zhang, Peter N. Robinson, Patrick Ryan, George Hripcsak,
Tellen D. Bennett, Lawrence E. Hunter, Michael G. Kahn
- Abstract要約: Open Biological and Biomedical Ontology (OBO Foundry)は、生物学的知識を意味的に計算可能な表現を提供する。
我々は,観察医療成果パートナーシップ(POMO)標準語彙をOBO Foundryにマッピングするためのフレームワークを紹介する。
マッピング精度は,24病院を対象に調査した際,ドメインの専門家によって検証された。
- 参考スコア(独自算出の注目度): 7.180884850685389
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Common data models solve many challenges of standardizing electronic health
record (EHR) data, but are unable to semantically integrate the resources
needed for deep phenotyping. Open Biological and Biomedical Ontology (OBO)
Foundry ontologies provide semantically computable representations of
biological knowledge and enable the integration of a variety of biomedical
data. However, mapping EHR data to OBO Foundry ontologies requires significant
manual curation and domain expertise. We introduce a framework for mapping
Observational Medical Outcomes Partnership (OMOP) standard vocabularies to OBO
Foundry ontologies. Using this framework, we produced mappings for 92,367
conditions, 8,615 drug ingredients, and 10,673 measurement results. Mapping
accuracy was verified by domain experts and when examined across 24 hospitals,
the mappings covered 99% of conditions and drug ingredients and 68% of
measurements. Finally, we demonstrate that OMOP2OBO mappings can aid in the
systematic identification of undiagnosed rare disease patients who might
benefit from genetic testing.
- Abstract(参考訳): 共通データモデルは、電子健康記録(EHR)データを標準化する多くの課題を解決するが、深い表現型化に必要なリソースを意味的に統合することはできない。
Open Biological and Biomedical Ontology (OBO) Foundry Ontologyは、生物学的知識の意味的に計算可能な表現を提供し、様々な生物医学データの統合を可能にする。
しかし、EHRデータをOBO Foundryオントロジにマッピングするには、かなりの手作業によるキュレーションとドメインの専門知識が必要です。
本稿では,観察的医療成果パートナーシップ(omop)標準語彙をobo foundryオントロジーにマッピングする枠組みを提案する。
この枠組みを用いて,92,367条件,8,615薬物成分,10,673測定結果のマッピングを行った。
マッピングの精度はドメインの専門家によって検証され、24の病院で調査した結果、99%の条件と薬物成分、68%の測定結果が得られた。
最後に,omop2oboマッピングは,遺伝子検査の恩恵を受ける未診断の希少疾患患者を体系的に同定するのに役立つことを実証する。
関連論文リスト
- PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。
提案手法は画像とテキストデータを融合して生成プロセスを強化する。
我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文 参考訳(メタデータ) (2023-09-01T22:08:32Z) - Challenging the Machinery of Generative AI with Fact-Checking:
Ontology-Driven Biological Graphs for Verifying Human Disease-Gene Links [48.979436202526585]
本稿では,ネットワークモデルの厳密さを用いてChatGPTのクレームを計算的にチェックする方法を実証することを目的とする。
本研究は,ChatGPT生成テキスト中の集合疾患遺伝子関係の高精度な解析を行った。
論文 参考訳(メタデータ) (2023-08-07T22:13:30Z) - Exploring the In-context Learning Ability of Large Language Model for
Biomedical Concept Linking [4.8882241537236455]
本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。
提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。
BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
論文 参考訳(メタデータ) (2023-07-03T16:19:50Z) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳(メタデータ) (2022-08-01T18:47:03Z) - A Biomedical Pipeline to Detect Clinical and Non-Clinical Named Entities [0.0]
本稿では,標準的なもの以外の多くの生物医学的実体を認識できる機械学習パイプラインを提案する。
このパイプラインはまた、前処理、トークン化、マッピング埋め込みルックアップ、名前付きエンティティ認識タスクといったステージで構成されている。
新型コロナウイルスの症例報告をキュレートして準備する新たなデータセットを提示する。
論文 参考訳(メタデータ) (2022-07-02T16:30:36Z) - BioADAPT-MRC: Adversarial Learning-based Domain Adaptation Improves
Biomedical Machine Reading Comprehension Task [4.837365865245979]
本稿では,生物医学機械読解作業のための逆学習に基づくドメイン適応フレームワークを提案する。
BioADAPT-MRCは、一般的なドメインデータセットとバイオメディカルドメインデータセットの間の限界分布の相違に対処するニューラルネットワークベースの手法である。
論文 参考訳(メタデータ) (2022-02-26T16:14:27Z) - BioIE: Biomedical Information Extraction with Multi-head Attention
Enhanced Graph Convolutional Network [9.227487525657901]
本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。
本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
論文 参考訳(メタデータ) (2021-10-26T13:19:28Z) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳(メタデータ) (2021-09-27T17:00:14Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z)
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。