論文の概要: PHEE: A Dataset for Pharmacovigilance Event Extraction from Text

• arxiv url: http://arxiv.org/abs/2210.12560v1
• Date: Sat, 22 Oct 2022 21:57:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 16:17:05.848840
• Title: PHEE: A Dataset for Pharmacovigilance Event Extraction from Text
• Title（参考訳）: PHEE:テキストから薬理学的イベント抽出のためのデータセット
• Authors: Zhaoyue Sun, Jiazheng Li, Gabriele Pergola, Byron C. Wallace, Bino John, Nigel Greene, Joseph Kim, Yulan He
• Abstract要約: PHEEは、医療事例報告と生物医学文献から5000以上の注釈付きイベントを含む、薬物移動のための新しいデータセットである。 患者の人口統計,治療,および(側)効果に関する粗くきめ細かな情報を提供するために設計された階層型イベントスキーマについて述べる。
• 参考スコア（独自算出の注目度）: 42.365919892504415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The primary goal of drug safety researchers and regulators is to promptly identify adverse drug reactions. Doing so may in turn prevent or reduce the harm to patients and ultimately improve public health. Evaluating and monitoring drug safety (i.e., pharmacovigilance) involves analyzing an ever growing collection of spontaneous reports from health professionals, physicians, and pharmacists, and information voluntarily submitted by patients. In this scenario, facilitating analysis of such reports via automation has the potential to rapidly identify safety signals. Unfortunately, public resources for developing natural language models for this task are scant. We present PHEE, a novel dataset for pharmacovigilance comprising over 5000 annotated events from medical case reports and biomedical literature, making it the largest such public dataset to date. We describe the hierarchical event schema designed to provide coarse and fine-grained information about patients' demographics, treatments and (side) effects. Along with the discussion of the dataset, we present a thorough experimental evaluation of current state-of-the-art approaches for biomedical event extraction, point out their limitations, and highlight open challenges to foster future research in this area.
• Abstract（参考訳）: 薬物安全研究者と規制当局の主な目的は、副作用を迅速に特定することである。 そうすることで、患者に対する害を予防または軽減し、最終的には公衆衛生を改善することができる。 薬物安全性の評価と監視には、医療専門家、医師、薬剤師からの自発的な報告の収集と、患者が自発的に提出した情報を分析することが含まれる。 このシナリオでは、自動化によるこのようなレポートの分析を容易にすることで、安全信号の迅速な識別が可能になる。 残念ながら、このタスクのための自然言語モデルを開発するための公開リソースは乏しい。 医療事例報告およびバイオメディカル文献から5000件以上の注釈付きイベントを収録した薬剤移動のための新しいデータセットであるPHEEについて述べる。 患者の人口統計,治療,および(側)効果に関する粗くきめ細かな情報を提供するために設計された階層型イベントスキーマについて述べる。 データセットの議論と並行して,生物医学的イベント抽出の現状に関する徹底的な評価を行い,その限界を指摘し,この分野における今後の研究を育むためのオープンチャレンジを強調する。

関連論文リスト

• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Enhancing Adverse Drug Event Detection with Multimodal Dataset: Corpus Creation and Model Development [12.258245804049114]
  有害薬物イベント(ADEs)の採掘は、患者の安全性を高めるために薬物移動において重要な役割を担っている。 従来のADE検出方法は信頼性が高いが遅く、大規模な操作に容易に適応できない。 以前のADE鉱業研究は、視覚的な手がかりを見越して、テキストベースの方法論に焦点を当ててきた。 我々は、ADE関連テキスト情報を視覚支援と組み合わせたMMADE(MultiModal Adverse Drug Event)検出データセットを提案する。
  論文  参考訳（メタデータ） (2024-05-24T17:58:42Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• BioDEX: Large-Scale Biomedical Adverse Drug Event Extraction for Real-World Pharmacovigilance [26.88690084623426]
  バイオメディカルな有害薬物イベント抽出のための大規模資源であるBioDEXを紹介する。 本研究は,本論文からレポートのコア情報を予測する作業について考察する。 人間のパフォーマンスは72.0% F1と見積もっていますが、私たちの最高のモデルは62.3% F1です。
  論文  参考訳（メタデータ） (2023-05-22T18:15:57Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Label-dependent and event-guided interpretable disease risk prediction using EHRs [8.854691034104071]
  本稿では,ラベル依存型,事象誘導型リスク予測モデル(LERP)を提案する。 我々は、リスクラベルの名前にセマンティックに類似した医療メモからの単語に注意を向けるラベル依存メカニズムを採用する。 臨床イベントは患者の健康状態も示すことができるため,このモデルではイベントからの情報を活用して,医療記録のイベント誘導表現を生成する。
  論文  参考訳（メタデータ） (2022-01-18T07:24:28Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Selection of pseudo-annotated data for adverse drug reaction classification across drug groups [12.259552039796027]
  我々は、さまざまな薬物群にまたがる最先端のニューラルアーキテクチャの堅牢性を評価する。 そこで我々は,手動で注釈付けした列車セットに加えて,擬似ラベル付きデータを使用するためのいくつかの戦略について検討した。
  論文  参考訳（メタデータ） (2021-11-24T13:11:05Z)
• 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)

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。