論文の概要: Drugs Resistance Analysis from Scarce Health Records via Multi-task Graph Representation

• arxiv url: http://arxiv.org/abs/2302.11231v1
• Date: Wed, 22 Feb 2023 09:22:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 15:50:34.197770
• Title: Drugs Resistance Analysis from Scarce Health Records via Multi-task Graph Representation
• Title（参考訳）: マルチタスクグラフ表現によるスカース健康記録からの薬剤耐性解析
• Authors: Honglin Shu, Pei Gao, Lingwei Zhu, and Zheng Chen
• Abstract要約: 医療イベントやエッジからノードをマッピングしたグラフを,時間窓のイベントの対応として見ることにより,迅速な臨床介入を行うための新しい枠組みを提案する。 次に,これらの高次元および希少なグラフから情報的特徴を抽出し,薬剤耐性の自動解析を行うための新しいグラフベースモデルを提案する。
• 参考スコア（独自算出の注目度）: 5.041782043654619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinicians prescribe antibiotics by looking at the patient's health record with an experienced eye. However, the therapy might be rendered futile if the patient has drug resistance. Determining drug resistance requires time-consuming laboratory-level testing while applying clinicians' heuristics in an automated way is difficult due to the categorical or binary medical events that constitute health records. In this paper, we propose a novel framework for rapid clinical intervention by viewing health records as graphs whose nodes are mapped from medical events and edges as correspondence between events in given a time window. A novel graph-based model is then proposed to extract informative features and yield automated drug resistance analysis from those high-dimensional and scarce graphs. The proposed method integrates multi-task learning into a common feature extracting graph encoder for simultaneous analyses of multiple drugs as well as stabilizing learning. On a massive dataset comprising over 110,000 patients with urinary tract infections, we verify the proposed method is capable of attaining superior performance on the drug resistance prediction problem. Furthermore, automated drug recommendations resemblant to laboratory-level testing can also be made based on the model resistance analysis.
• Abstract（参考訳）: 臨床医は経験豊富な目で患者の健康記録を見て抗生物質を処方する。 しかし、患者が薬剤耐性を持つ場合、治療は無駄になる可能性がある。 薬剤耐性の決定には、医療記録を構成する分類的または二元的な医療イベントのため、臨床医のヒューリスティックを自動で適用することは困難である。 本稿では,医療イベントとエッジからノードをマッピングしたグラフを,タイムウインドウを指定したイベント間の対応として見ることにより,迅速な臨床介入のための新しい枠組みを提案する。 次に, 情報的特徴を抽出し, 高次元および希薄なグラフから薬剤耐性の自動分析を行うための新しいグラフモデルを提案する。 提案手法は,マルチタスク学習を共通特徴抽出グラフエンコーダに統合し,複数の薬物の同時分析と安定化学習を行う。 尿路感染症患者110,000名以上からなる膨大なデータセットにおいて,提案手法が薬剤耐性予測問題において優れた性能を発揮することを検証した。 さらに, モデル抵抗解析に基づいて, 実験室レベルの試験に類似した自動薬剤推奨も行うことができる。

関連論文リスト

• Enhancing Acute Kidney Injury Prediction through Integration of Drug Features in Intensive Care Units [0.0]
  急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。 そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:42:32Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Selection of pseudo-annotated data for adverse drug reaction classification across drug groups [12.259552039796027]
  我々は、さまざまな薬物群にまたがる最先端のニューラルアーキテクチャの堅牢性を評価する。 そこで我々は,手動で注釈付けした列車セットに加えて,擬似ラベル付きデータを使用するためのいくつかの戦略について検討した。
  論文  参考訳（メタデータ） (2021-11-24T13:11:05Z)
• 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)
• 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)
• Patient ADE Risk Prediction through Hierarchical Time-Aware Neural Network Using Claim Codes [5.288589720985491]
  本研究の目的は、クレームコードに記録された患者医療履歴に基づいて、標的薬剤が標的患者に誘導するパーソナライズされたADEリスクを評価することである。 我々は,クレームコードの特徴とそれらの関係を捉えるHTNNRモデル(階層的時間認識ニューラルネットワーク for ADE Risk)を開発した。
  論文  参考訳（メタデータ） (2020-08-20T13:24:54Z)
• Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
  我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。 そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。 新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
  論文  参考訳（メタデータ） (2020-07-31T14:34:35Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Comparative Visual Analytics for Assessing Medical Records with Sequence Embedding [17.752580010414228]
  患者記録の比較研究を支援する視覚分析システムを開発した。 カリフォルニア大学デイビス校の新生児集中治療ユニットから得られた実世界のデータセットを用いたケーススタディにより, 設計とシステムの有効性を実証した。
  論文  参考訳（メタデータ） (2020-02-18T19:29:30Z)

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。