Fugu-MT 論文翻訳(概要): Enhancing the prediction of disease outcomes using electronic health records and pretrained deep learning models

論文の概要: Enhancing the prediction of disease outcomes using electronic health records and pretrained deep learning models

arxiv url: http://arxiv.org/abs/2212.12067v1
Date: Thu, 22 Dec 2022 22:53:32 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 16:26:06.480333
Title: Enhancing the prediction of disease outcomes using electronic health records and pretrained deep learning models
Title（参考訳）: 電子健康記録と事前学習モデルを用いた疾患予後予測の強化
Authors: Zhichao Yang, Weisong Liu, Dan Berlowitz, Hong Yu
Abstract要約: そこで本研究では,複数の結果の特定シーケンス・ツー・シーケンス予測モデルを用いて,広範囲の患者に対して事前訓練したBERTよりも優れた結果が得られた。深層双方向および自己回帰表現は患者の予後予測を改善する。
参考スコア（独自算出の注目度）: 3.9376328676961028
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Question: Can an encoder-decoder architecture pretrained on a large dataset of longitudinal electronic health records improves patient outcome predictions? Findings: In this prognostic study of 6.8 million patients, our denoising sequence-to-sequence prediction model of multiple outcomes outperformed state-of-the-art models scuh pretrained BERT on a broad range of patient outcomes, including intentional self-harm and pancreatic cancer. Meaning: Deep bidirectional and autoregressive representation improves patient outcome prediction.
Abstract（参考訳）: 質問: 長期電子健康記録のデータセットに事前トレーニングされたエンコーダ・デコーダアーキテクチャは、患者の予後予測を改善することができるか? 結果:680万人の患者を対象としたこの予後調査では,膵癌や自傷症を含む幅広い予後について,scuhがbertを事前訓練した複数の予後予測モデルが得られた。意味: 双方向および自己回帰表現は患者の予後予測を改善する。

関連論文リスト

Predicting Lung Cancer Patient Prognosis with Large Language Models [20.97970447748789]
大規模言語モデル(LLM)は、広範な学習知識に基づいてテキストを処理・生成する能力に注目されている。肺癌患者の予後予測におけるGPT-4o miniおよびGPT-3.5の有用性について検討した。
論文参考訳（メタデータ） (2024-08-15T06:36:27Z)
Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。深層学習は、医療を含む様々な応用においてその優位性を示している。
論文参考訳（メタデータ） (2024-02-02T00:31:01Z)
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)
Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-06-01T14:08:05Z)
Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文参考訳（メタデータ） (2022-11-18T03:26:31Z)
Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文参考訳（メタデータ） (2022-11-13T01:07:23Z)
Bridging the Gap Between Patient-specific and Patient-independent Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文参考訳（メタデータ） (2022-02-25T10:30:29Z)
Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2021-11-16T11:19:02Z)
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)
A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-11-18T15:56:28Z)
Bidirectional Representation Learning from Transformers using Multimodal Electronic Health Record Data to Predict Depression [11.1492931066686]
うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
論文参考訳（メタデータ） (2020-09-26T17:56:37Z)

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。