論文の概要: Learning predictive checklists from continuous medical data

• arxiv url: http://arxiv.org/abs/2211.07076v1
• Date: Mon, 14 Nov 2022 02:51:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 19:09:01.520787
• Title: Learning predictive checklists from continuous medical data
• Title（参考訳）: 連続医療データからの予測チェックリストの学習
• Authors: Yukti Makhija and Edward De Brouwer and Rahul G. Krishnan
• Abstract要約: チェックリストは、その有効性と高い解釈性により、日常的な臨床実践で非常に人気がある。 最近の研究は、カテゴリーデータから予測チェックリストを学習することで、その方向への一歩を踏み出した。 この拡張は、敗血症の予測に基づいて、さまざまな説明可能な機械学習ベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 5.37133760455631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Checklists, while being only recently introduced in the medical domain, have become highly popular in daily clinical practice due to their combined effectiveness and great interpretability. Checklists are usually designed by expert clinicians that manually collect and analyze available evidence. However, the increasing quantity of available medical data is calling for a partially automated checklist design. Recent works have taken a step in that direction by learning predictive checklists from categorical data. In this work, we propose to extend this approach to accomodate learning checklists from continuous medical data using mixed-integer programming approach. We show that this extension outperforms a range of explainable machine learning baselines on the prediction of sepsis from intensive care clinical trajectories.
• Abstract（参考訳）: チェックリストは、医学領域で最近紹介されたばかりであるが、その効果と高い解釈性により、日常的な臨床実践で人気を博している。 チェックリストは通常、手動で証拠を収集し分析する専門医によって設計される。 しかし、利用可能な医療データの量が増加するにつれて、部分的に自動チェックリスト設計が求められている。 最近の研究は、カテゴリーデータから予測チェックリストを学習することで、その方向への一歩を踏み出した。 本研究では,この手法を,混合整数プログラミング手法を用いて連続的な医療データから学習チェックリストに拡張することを提案する。 この拡張は,集中治療的臨床経過からの敗血症の予測において,説明可能な機械学習ベースラインを上回っている。

関連論文リスト

• Learning Predictive Checklists with Probabilistic Logic Programming [17.360186431981592]
  本稿では,画像や時系列などの様々なデータモダリティから予測チェックリストを学習する手法を提案する。 本手法は,チェックリストの離散性と連続値データとのマッチングを可能にする学習パラダイムである確率論的論理プログラミングに依存する。 提案手法は,画像シーケンス,時系列,臨床ノートを含む予測タスクにおいて,さまざまな説明可能な機械学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-25T09:07:19Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• Conceptualizing Machine Learning for Dynamic Information Retrieval of Electronic Health Record Notes [6.1656026560972]
  本研究は、特定の臨床コンテキストにおける注記関連性の監督源として、機械学習におけるEHR監査ログの使用を概念化したものである。 本手法は,個々のノート作成セッションでどのノートが読み込まれるかを予測するために0.963のAUCを実現できることを示す。
  論文  参考訳（メタデータ） (2023-08-09T21:04:19Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Learning Optimal Predictive Checklists [22.91829410102425]
  予測チェックリストを2値特徴と単位重みを持つ離散線形分類器として表現する。 次に、整数計画問題の解法により、データからグローバルに最適な予測チェックリストを学習する。 以上の結果から,提案手法はシンプルな予測チェックリストに適合し,よりリッチなカスタム制約に従うように容易にカスタマイズできることがわかった。
  論文  参考訳（メタデータ） (2021-12-02T07:15:28Z)
• Attention-based Clinical Note Summarization [1.52292571922932]
  臨床ノートに有意なフレーズを抽出的に要約するマルチヘッドアテンションに基づくメカニズムを提案する。 このメソッドは、トークン、セグメント、および位置埋め込みを関連付けて要約のための主要な文を検索します。
  論文  参考訳（メタデータ） (2021-04-18T19:40:26Z)
• Does the Magic of BERT Apply to Medical Code Assignment? A Quantitative Study [2.871614744079523]
  事前訓練されたモデルが、さらなるアーキテクチャエンジニアリングなしで医療コード予測に有用かどうかは明らかではない。 本稿では,単語間のインタラクションをキャプチャし,ラベル情報を活用する階層的な微調整アーキテクチャを提案する。 現在の傾向とは対照的に、我々は慎重に訓練された古典的なCNNは、頻繁なコードでMIMIC-IIIサブセット上の注意ベースのモデルを上回ることを実証します。
  論文  参考訳（メタデータ） (2021-03-11T07:23:45Z)
• 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)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。