論文の概要: Leveraging Contextual Relatedness to Identify Suicide Documentation in
Clinical Notes through Zero Shot Learning
- arxiv url: http://arxiv.org/abs/2301.03531v1
- Date: Mon, 9 Jan 2023 17:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 15:37:35.255221
- Title: Leveraging Contextual Relatedness to Identify Suicide Documentation in
Clinical Notes through Zero Shot Learning
- Title(参考訳): ゼロショット学習による臨床ノートにおける自殺文書同定のための文脈関連性活用
- Authors: Terri Elizabeth Workman, Joseph L. Goulet, Cynthia A. Brandt, Allison
R. Warren, Jacob Eleazer, Melissa Skanderson, Luke Lindemann, John R.
Blosnich, John O Leary, Qing Zeng Treitler
- Abstract要約: 本稿では,ゼロショット学習を通じて,このデータ空間の問題に対処することにより,臨床ノートの自殺を識別する新しい手法について述べる。
深層ニューラルネットワークは、トレーニング文書の内容を意味空間にマッピングすることで訓練された。
この手法は0.90の確率閾値を適用し、自殺を記録したICD 10 CMコードと関係のないメモを94%の精度で特定した。
- 参考スコア(独自算出の注目度): 8.57098973963918
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying suicidality including suicidal ideation, attempts, and risk
factors in electronic health record data in clinical notes is difficult. A
major difficulty is the lack of training samples given the small number of true
positive instances among the increasingly large number of patients being
screened. This paper describes a novel methodology that identifies suicidality
in clinical notes by addressing this data sparsity issue through zero-shot
learning. U.S. Veterans Affairs clinical notes served as data. The training
dataset label was determined using diagnostic codes of suicide attempt and
self-harm. A base string associated with the target label of suicidality was
used to provide auxiliary information by narrowing the positive training cases
to those containing the base string. A deep neural network was trained by
mapping the training documents contents to a semantic space. For comparison, we
trained another deep neural network using the identical training dataset labels
and bag-of-words features. The zero shot learning model outperformed the
baseline model in terms of AUC, sensitivity, specificity, and positive
predictive value at multiple probability thresholds. In applying a 0.90
probability threshold, the methodology identified notes not associated with a
relevant ICD 10 CM code that documented suicidality, with 94 percent accuracy.
This new method can effectively identify suicidality without requiring manual
annotation.
- Abstract(参考訳): 臨床ノートにおける電子健康記録データにおける自殺思想,試み,リスク要因などの自殺の特定は困難である。
大きな困難は、スクリーニングされる患者が増えている中で、少数の真の陽性例を考えると、トレーニングサンプルの欠如である。
本稿では,ゼロショット学習を通じて,このデータ空間の問題に対処することにより,臨床ノートの自殺を識別する新しい手法について述べる。
アメリカ退役軍人の臨床記録がデータとなった。
訓練データセットラベルは自殺未遂と自傷の診断符号を用いて決定された。
正のトレーニングケースをそのベースストリングを含むものに狭めることで補助情報を提供するために, 目標のsicidalityラベルに関連付けられたベースストリングを用いた。
トレーニング文書の内容と意味空間をマッピングして,ディープニューラルネットワークを訓練した。
比較のために、同じトレーニングデータセットラベルとback-of-words機能を使用して、別のディープニューラルネットワークをトレーニングした。
ゼロショット学習モデルは、AUC、感度、特異性、正の予測値を複数の確率閾値で比較し、ベースラインモデルを上回った。
この手法は0.90の確率閾値を適用し、自殺率を94%の精度で記録したICD 10 CMコードと関係のないメモを特定した。
本手法は手動のアノテーションを必要とせずに自殺を効果的に識別できる。
関連論文リスト
- Suicide Phenotyping from Clinical Notes in Safety-Net Psychiatric Hospital Using Multi-Label Classification with Pre-Trained Language Models [10.384299115679369]
事前訓練された言語モデルは、非構造的な臨床物語から自殺を識別する約束を提供する。
2つの微調整戦略を用いて4つのBERTモデルの性能評価を行った。
その結果, モデル最適化, ドメイン関連データによる事前学習, 単一マルチラベル分類戦略により, 自殺表現のモデル性能が向上することが示唆された。
論文 参考訳(メタデータ) (2024-09-27T16:13:38Z) - Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳(メタデータ) (2024-08-15T13:26:13Z) - SOS-1K: A Fine-grained Suicide Risk Classification Dataset for Chinese Social Media Analysis [22.709733830774788]
本研究では,自殺リスクの詳細な分類を目的とした,中国のソーシャルメディアデータセットを提案する。
事前訓練した7つのモデルについて, 自殺リスクが高い, 自殺リスクが少ない, 自殺リスクの細かい分類が0~10の2つのタスクで評価された。
ディープラーニングモデルは高い自殺リスクと低い自殺リスクを区別する上で優れた性能を示し、最良のモデルはF1スコア88.39%である。
論文 参考訳(メタデータ) (2024-04-19T06:58:51Z) - Non-Invasive Suicide Risk Prediction Through Speech Analysis [74.8396086718266]
自動自殺リスク評価のための非侵襲的音声ベースアプローチを提案する。
我々は、wav2vec、解釈可能な音声・音響特徴、深層学習に基づくスペクトル表現の3つの特徴セットを抽出する。
我々の最も効果的な音声モデルは、6.6.2,%$のバランスの取れた精度を達成する。
論文 参考訳(メタデータ) (2024-04-18T12:33:57Z) - XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。
XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。
6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文 参考訳(メタデータ) (2023-10-09T08:07:04Z) - Contrastive Deep Encoding Enables Uncertainty-aware
Machine-learning-assisted Histopathology [6.548275341067594]
テラバイトのトレーニングデータを意識的に深層ネットワークにプリトレーニングして情報表現を符号化することができる。
提案手法は,ランダムに選択されたアノテーションが1~10%しかないパッチレベルの分類において,最先端のSOTA(State-of-the-art)に到達可能であることを示す。
論文 参考訳(メタデータ) (2023-09-13T17:37:19Z) - Transductive Linear Probing: A Novel Framework for Few-Shot Node
Classification [56.17097897754628]
自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。
この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
論文 参考訳(メタデータ) (2022-12-11T21:10:34Z) - An ensemble deep learning technique for detecting suicidal ideation from
posts in social media platforms [0.0]
本稿ではLSTM-Attention-CNN複合モデルを提案する。
提案されたモデルは90.3%の精度、F1スコア92.6%の精度を示した。
論文 参考訳(メタデータ) (2021-12-17T15:34:03Z) - Deep Learning for Suicide and Depression Identification with
Unsupervised Label Correction [0.0]
うつ病患者の自殺思考の早期発見は、適切な医療的注意と支援を可能にする。
最近のNLP研究は、個人が自殺的または臨床的に健康である場合、あるテキストから分類することに焦点を当てている。
本研究では,深層学習による自殺対分類手法であるSDCNLを提案する。
論文 参考訳(メタデータ) (2021-02-18T15:40:07Z) - On Deep Learning with Label Differential Privacy [54.45348348861426]
ラベルは機密性があり、保護されるべきであるとするマルチクラス分類について検討する。
本稿では,ラベル差分プライバシを用いたディープニューラルネットワークのトレーニングアルゴリズムを提案し,いくつかのデータセットで評価を行う。
論文 参考訳(メタデータ) (2021-02-11T15:09:06Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳(メタデータ) (2020-02-11T21:08:06Z)
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。