Fugu-MT 論文翻訳(概要): Clinical Decision Transformer: Intended Treatment Recommendation through Goal Prompting

論文の概要: Clinical Decision Transformer: Intended Treatment Recommendation through Goal Prompting

arxiv url: http://arxiv.org/abs/2302.00612v1
Date: Wed, 1 Feb 2023 17:26:01 GMT
ステータス: 処理完了
システム内更新日: 2023-02-02 16:58:20.607597
Title: Clinical Decision Transformer: Intended Treatment Recommendation through Goal Prompting
Title（参考訳）: 臨床的決定変換器 : ゴールプロンプトによる治療勧告
Authors: Seunghyun Lee, Da Young Lee, Sujeong Im, Nan Hee Kim, Sung-Min Park
Abstract要約: そこで本研究では,目標とする臨床状態に到達するための医薬品のシーケンスを生成するレコメンデーションシステムであるCDTを提案する。実験では, 4788例の治療履歴を含むEHRシステムから糖尿病データセットを抽出した。我々の知る限りでは、ゴール・プロンプトの観点から臨床レコメンデーションを探求する最初の研究である。
参考スコア（独自算出の注目度）: 8.81521901097629
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With recent achievements in tasks requiring context awareness, foundation models have been adopted to treat large-scale data from electronic health record (EHR) systems. However, previous clinical recommender systems based on foundation models have a limited purpose of imitating clinicians' behavior and do not directly consider a problem of missing values. In this paper, we propose Clinical Decision Transformer (CDT), a recommender system that generates a sequence of medications to reach a desired range of clinical states given as goal prompts. For this, we conducted goal-conditioned sequencing, which generated a subsequence of treatment history with prepended future goal state, and trained the CDT to model sequential medications required to reach that goal state. For contextual embedding over intra-admission and inter-admissions, we adopted a GPT-based architecture with an admission-wise attention mask and column embedding. In an experiment, we extracted a diabetes dataset from an EHR system, which contained treatment histories of 4788 patients. We observed that the CDT achieved the intended treatment effect according to goal prompt ranges (e.g., NormalA1c, LowerA1c, and HigherA1c), contrary to the case with behavior cloning. To the best of our knowledge, this is the first study to explore clinical recommendations from the perspective of goal prompting. See https://clinical-decision-transformer.github.io for code and additional information.
Abstract（参考訳）: 近年,電子健康記録(EHR)システムからの大規模データを扱うために,コンテキスト認識を必要とするタスクにおいて,基礎モデルが採用されている。しかし, 基礎モデルに基づく従来の臨床レコメンデータシステムは, 臨床医の行動を模倣する目的に限られており, 問題点を直接考慮していない。本稿では,ゴールプロンプトとして与えられた臨床状態の望ましい範囲に達する薬の系列を生成するレコメンダシステムであるクリニカル・ディシデント・トランスフォーマ(cdt)を提案する。そこで本研究では,今後の目標状態と治療履歴のサブシーケンスを生成し,cdtを訓練し,目標状態に達するために必要な逐次薬のモデル化を行った。アドミッション内およびアドミッション間におけるコンテキスト埋め込みのために,入場方向のアテンションマスクとコラム埋め込みを備えたgptベースのアーキテクチャを採用した。実験では, 4788例の治療履歴を含むEHRシステムから糖尿病データセットを抽出した。本研究は,CDTが目的のプロンプト範囲(ノルマルA1c,ローワーA1c,ハイアーA1c)に応じて意図した治療効果を達成したことを観察した。私たちの知識を最大限に活用するために、ゴールプロンプトの観点から臨床推奨を探求する最初の研究です。コードと追加情報については、https://clinical-decision-transformer.github.ioを参照。

関連論文リスト

Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting [11.96384267146423]
臨床変数の時系列予測(TSF)により原因を直接予測することを提案する。モデルトレーニングは特定のラベルに依存しないため、予測されたデータはコンセンサスベースのラベルを予測するために使用できる。
論文参考訳（メタデータ） (2024-08-07T14:52:06Z)
Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model [0.7373617024876725]
臨床試験は医薬品の介入を促進するのに不可欠であるが、適格な参加者を選ぶ際にボトルネックに直面している。構造化されていない医療用テキストの複雑な性質は、参加者を効率的に識別する上での課題である。本研究では,コホート選択課題に対するプロンプトベース大規模言語モデルの性能評価を目的とした。
論文参考訳（メタデータ） (2024-04-24T20:42:28Z)
Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文参考訳（メタデータ） (2022-06-04T13:16:30Z)
Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2022-02-14T10:16:41Z)
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)
Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文参考訳（メタデータ） (2021-08-02T10:42:52Z)
A Methodology for Bi-Directional Knowledge-Based Assessment of Compliance to Continuous Application of Clinical Guidelines [1.52292571922932]
ケアプロセスのガイドラインに基づく品質評価を自動化するための新しいアプローチを提案する。 BiKBAC法は臨床ガイドラインを適用する際のコンプライアンスの度合いを評価する。 DiscovErrシステムは、2型糖尿病管理領域の別の研究で評価されました。
論文参考訳（メタデータ） (2021-03-13T20:43:45Z)
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)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)
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)
Optimizing Medical Treatment for Sepsis in Intensive Care: from Reinforcement Learning to Pre-Trial Evaluation [2.908482270923597]
本研究の目的は, 介入を最適化する強化学習(RL)が, 学習方針の治験に対する規制に適合する経路を遡及的に得る枠組みを確立することである。我々は,死の主な原因の一つであり,複雑で不透明な患者動態のため治療が困難である集中治療室の感染症に焦点を当てた。
論文参考訳（メタデータ） (2020-03-13T20:31:47Z)

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。