論文の概要: ActSafe: Predicting Violations of Medical Temporal Constraints for
Medication Adherence
- arxiv url: http://arxiv.org/abs/2301.07051v1
- Date: Tue, 17 Jan 2023 18:06:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 13:24:57.824505
- Title: ActSafe: Predicting Violations of Medical Temporal Constraints for
Medication Adherence
- Title（参考訳）: ActSafe: 薬物順守のための医療時間制限の違反予測
- Authors: Parker Seegmiller, Joseph Gatto, Abdullah Mamun, Hassan Ghasemzadeh,
Diane Cook, John Stankovic, and Sarah Masud Preum
- Abstract要約: 本稿では,医療時間制約(MTC)違反を事前に予測するための概念実証ソリューションであるActSafeを開発する。
ActSafeは、文脈自由文法に基づくアプローチを用いて、患者の教材からMSCを抽出しマッピングする。
慢性疾患患者の評価に基づいて、ActSafeは平均F1スコア0.86で1日前にMCC違反を予測することができる。
- 参考スコア（独自算出の注目度）: 12.623814916342024
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prescription medications often impose temporal constraints on regular health
behaviors (RHBs) of patients, e.g., eating before taking medication. Violations
of such medical temporal constraints (MTCs) can result in adverse effects.
Detecting and predicting such violations before they occur can help alert the
patient. We formulate the problem of modeling MTCs and develop a
proof-of-concept solution, ActSafe, to predict violations of MTCs well ahead of
time. ActSafe utilizes a context-free grammar based approach for extracting and
mapping MTCs from patient education materials. It also addresses the challenges
of accurately predicting RHBs central to MTCs (e.g., medication intake). Our
novel behavior prediction model, HERBERT , utilizes a basis vectorization of
time series that is generalizable across temporal scale and duration of
behaviors, explicitly capturing the dependency between temporally collocated
behaviors. Based on evaluation using a real-world RHB dataset collected from 28
patients in uncontrolled environments, HERBERT outperforms baseline models with
an average of 51% reduction in root mean square error. Based on an evaluation
involving patients with chronic conditions, ActSafe can predict MTC violations
a day ahead of time with an average F1 score of 0.86.
- Abstract（参考訳）: 処方薬はしばしば、服用前に食事をするなど、患者の定期的な健康行動(rhb)に時間的制約を課す。
このような時間的制約(MTC)の違反は副作用を引き起こす可能性がある。
このような違反を検知し、予測することは、患者に警告するのに役立つ。
我々はMDCをモデル化する問題を定式化し、概念実証ソリューションであるActSafeを開発し、MCCの違反を事前に予測する。
ActSafeは、文脈自由文法に基づくアプローチを用いて、患者の教材からMSCを抽出しマッピングする。
また、MSC(例えば薬物摂取量)中心のRHBを正確に予測する課題にも対処する。
新たな行動予測モデルであるherbertは,時系列のベクトル化を基本とし,時間的スケールと行動の持続時間にわたって一般化し,時間的コロケーション動作間の依存性を明示的に把握する。
HERBERTは、コントロールされていない環境下で28人の患者から収集された実世界のRHBデータセットを用いて評価を行い、平均51%のルート平均平方誤差でベースラインモデルを上回った。
ActSafeは慢性疾患患者の評価に基づいて、平均F1スコア0.86で1日前にMCC違反を予測することができる。
関連論文リスト
- Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information [0.0]
保持を予測し、保持を最適化するスケジュール決定を推奨するデータ駆動手法が必要である。
予測モデルは、様々なスケジューリングオプションで保持率を推定するのに有用である。
本稿では、これらの複雑さを考慮に入れながら、HIVの維持を予測し、スケジューリングを最適化するオールインワンアプローチを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:19:38Z) - 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) - The Scope of In-Context Learning for the Extraction of Medical Temporal
Constraints [6.130679884836407]
医学的時間的制約 (MTC) は、患者の教育材料と臨床テキストの両方において薬物使用ガイドライン (DUG) に見出される。
我々は, DUG に含まれる MTC の新たな分類法を開発し,非構造化 DUG から MTC を表す新しい文脈自由文法(CFG) モデルを開発した。
我々は、DUGsで見つかったMCCを自動的に抽出し、正規化するインコンテキスト学習(ICL)ソリューションを開発し、すべてのデータセットの平均F1スコアが0.62に達する。
論文 参考訳（メタデータ） (2023-03-16T14:51:44Z) - Temporal Robustness against Data Poisoning [69.01705108817785]
データ中毒は、悪意のあるトレーニングデータを通じて、敵対者が機械学習アルゴリズムの振る舞いを操作する場合を考慮している。
本研究では,攻撃開始時間と攻撃持続時間を測定する2つの新しい指標である耳線と持続時間を用いたデータ中毒の時間的脅威モデルを提案する。
論文 参考訳（メタデータ） (2023-02-07T18:59:19Z) - Monitoring machine learning (ML)-based risk prediction algorithms in the
presence of confounding medical interventions [4.893345190925178]
医療における機械学習(ML)に基づくリスク予測モデルの性能モニタリングは、整合医療介入(CMI)の問題によって複雑化している。
単純なアプローチは、CMIを無視し、治療を受けていない患者のみを監視することである。
条件付き性能をモニタし、条件付き交換性や時間的選択バイアスが保たれている場合、有効な推論が可能であることを示す。
論文 参考訳（メタデータ） (2022-11-17T18:54:34Z) - Forecasting Patient Flows with Pandemic Induced Concept Drift using
Explainable Machine Learning [0.0]
本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。
新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
論文 参考訳（メタデータ） (2022-11-01T20:42:26Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Parkland Trauma Index of Mortality (PTIM): Real-time Predictive Model
for PolyTrauma Patients [0.0]
Parkland Trauma Index of Mortality (PTIM)は、電子カルテ(EMR)データを用いて死亡率を予測する機械学習アルゴリズムである。
モデルは毎時更新され、外傷に対する患者の生理的反応とともに進化する。
入院早期のポリトラウマ患者の臨床的意思決定に有用なツールかもしれない。
論文 参考訳（メタデータ） (2020-10-07T20:34:03Z) - 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) - 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) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。