論文の概要: Improving Medical Predictions by Irregular Multimodal Electronic Health
Records Modeling
- arxiv url: http://arxiv.org/abs/2210.12156v2
- Date: Mon, 5 Jun 2023 21:09:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 21:34:10.491781
- Title: Improving Medical Predictions by Irregular Multimodal Electronic Health
Records Modeling
- Title(参考訳): 不規則なマルチモーダル電子健康記録モデルによる医療予測の改善
- Authors: Xinlu Zhang, Shiyang Li, Zhiyu Chen, Xifeng Yan, Linda Petzold
- Abstract要約: 集中治療室(ICU)患者の健康状態は電子健康記録(EHR)によって監視される
単一モードごとに不規則に対処し、医療予測を改善するためにマルチモーダル表現に統合することは難しい問題である。
本手法はまず,手作りのインプット埋め込みをゲーティング機構を用いて学習した埋め込みに動的に組み込むことにより,各モードの不規則性に対処する。
我々は, 時系列, 臨床ノート, マルチモーダル融合におけるF1の6.5%, 3.6%, 4.3%の相対的な改善を観察した。
- 参考スコア(独自算出の注目度): 19.346610191591143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Health conditions among patients in intensive care units (ICUs) are monitored
via electronic health records (EHRs), composed of numerical time series and
lengthy clinical note sequences, both taken at irregular time intervals.
Dealing with such irregularity in every modality, and integrating irregularity
into multimodal representations to improve medical predictions, is a
challenging problem. Our method first addresses irregularity in each single
modality by (1) modeling irregular time series by dynamically incorporating
hand-crafted imputation embeddings into learned interpolation embeddings via a
gating mechanism, and (2) casting a series of clinical note representations as
multivariate irregular time series and tackling irregularity via a time
attention mechanism. We further integrate irregularity in multimodal fusion
with an interleaved attention mechanism across temporal steps. To the best of
our knowledge, this is the first work to thoroughly model irregularity in
multimodalities for improving medical predictions. Our proposed methods for two
medical prediction tasks consistently outperforms state-of-the-art (SOTA)
baselines in each single modality and multimodal fusion scenarios.
Specifically, we observe relative improvements of 6.5\%, 3.6\%, and 4.3\% in F1
for time series, clinical notes, and multimodal fusion, respectively. These
results demonstrate the effectiveness of our methods and the importance of
considering irregularity in multimodal EHRs.
- Abstract(参考訳): 集中治療室(icus)の患者の健康状態は、不規則な時間間隔で、数値的な時系列と長い臨床記録からなる電子健康記録(ehrs)によって監視される。
あらゆるモダリティにおいてそのような不規則性に対処し、医療予測を改善するために多モーダル表現に不規則性を統合することは難しい問題である。
本手法は,(1)手作りのインプット埋め込みを学習補間埋め込みにゲーティング機構を介して動的に組み込んだ不規則な時系列をモデル化し,(2)多変量不規則な時系列として一連の臨床メモをキャストし,時間的注意機構を介して不規則に対処する。
さらに,マルチモーダル融合における不規則性と,時間的ステップ間の間欠的注意機構を統合する。
私たちの知る限りでは、医療予測を改善するためにマルチモーダリティの不規則性を徹底的にモデル化する最初の作業です。
2つの医療予測タスクのための提案手法は,各単一モードおよびマルチモーダル融合シナリオにおいて,常に最先端(SOTA)ベースラインを上回っている。
具体的には,f1の6.5\%,3.6\%,4.3\%の相対的改善を時系列,臨床ノート,マルチモーダル融合で観察した。
これらの結果は,マルチモーダルEHRにおける手法の有効性と不規則性を考慮したことの重要性を示す。
関連論文リスト
- Global Contrastive Training for Multimodal Electronic Health Records with Language Supervision [1.6245786035158123]
本稿では,医療時系列と臨床ノートに着目した,新しいマルチモーダルコントラスト学習フレームワークを提案する。
このフレームワークは、時間的クロスアテンション変換器と動的埋め込みおよびトークン化スキームを統合し、マルチモーダルな特徴表現を学習する。
実世界のERHデータセットを用いて実験したところ, 術後合併症9例の発症予測において, 我々のフレームワークは最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2024-04-10T04:19:59Z) - DrFuse: Learning Disentangled Representation for Clinical Multi-Modal
Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。
モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。
実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
論文 参考訳(メタデータ) (2024-03-10T12:41:34Z) - Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。
術後合併症9例の発症予測に基礎的アプローチを応用した。
論文 参考訳(メタデータ) (2024-03-06T19:46:44Z) - Time-dependent Probabilistic Generative Models for Disease Progression [0.0]
医療イベント間の不規則な時間間隔をモデル化するためのマルコフ的治療生成モデルを提案する。
予測最大化アルゴリズムを用いてモデルを学習し,動的プログラミング法を用いて効率よく解法する。
論文 参考訳(メタデータ) (2023-11-15T21:00:00Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳(メタデータ) (2023-03-05T03:54:54Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳(メタデータ) (2022-12-17T15:01:05Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳(メタデータ) (2022-07-23T00:39:53Z) - 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) - Multi-view Integration Learning for Irregularly-sampled Clinical Time
Series [1.9639092030562577]
不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。
我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。
我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
論文 参考訳(メタデータ) (2021-01-25T10:02:50Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳(メタデータ) (2020-06-01T05:21:37Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z)
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。