論文の概要: ExBEHRT: Extended Transformer for Electronic Health Records to Predict Disease Subtypes & Progressions

• arxiv url: http://arxiv.org/abs/2303.12364v1
• Date: Wed, 22 Mar 2023 08:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 14:51:15.199495
• Title: ExBEHRT: Extended Transformer for Electronic Health Records to Predict Disease Subtypes & Progressions
• Title（参考訳）: ExBEHRT:病気のサブタイプと進展を予測する電子健康記録用拡張トランス
• Authors: Maurice Rupp, Oriane Peter, Thirupathi Pattipaka
• Abstract要約: BEHRT(BERT)の拡張版であるExBEHRTを紹介する。 特徴空間は, 人口統計, 臨床的特徴, バイタルサイン, 喫煙状況, 診断, 処置, 薬品, 実験室検査など, 複数のマルチモーダル記録に拡張する。 異なる疾患における下流タスクのモデル性能は,追加機能により有意に向上することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we introduce ExBEHRT, an extended version of BEHRT (BERT applied to electronic health records), and apply different algorithms to interpret its results. While BEHRT considers only diagnoses and patient age, we extend the feature space to several multimodal records, namely demographics, clinical characteristics, vital signs, smoking status, diagnoses, procedures, medications, and laboratory tests, by applying a novel method to unify the frequencies and temporal dimensions of the different features. We show that additional features significantly improve model performance for various downstream tasks in different diseases. To ensure robustness, we interpret model predictions using an adaptation of expected gradients, which has not been previously applied to transformers with EHR data and provides more granular interpretations than previous approaches such as feature and token importances. Furthermore, by clustering the model representations of oncology patients, we show that the model has an implicit understanding of the disease and is able to classify patients with the same cancer type into different risk groups. Given the additional features and interpretability, ExBEHRT can help make informed decisions about disease trajectories, diagnoses, and risk factors of various diseases.
• Abstract（参考訳）: 本研究では、BEHRTの拡張版であるExBEHRT(BERT)を紹介し、その結果を解釈するために異なるアルゴリズムを適用した。 BEHRTは、診断と患者年齢のみを考慮しているが、異なる特徴の周波数と時間次元を統一する新しい手法を適用して、特徴空間を複数のマルチモーダル記録(人口統計、臨床特徴、バイタルサイン、喫煙状態、診断、処置、薬品、検査検査)に拡張する。 さまざまな疾患におけるダウンストリームタスクのモデルパフォーマンスが大幅に向上することを示す。 頑健性を確保するため,従来EHRデータを用いたトランスフォーマーには適用されていなかった期待勾配の適応を用いてモデル予測を解釈し,特徴やトークンの重要度といった従来の手法よりも詳細な解釈を行う。 さらに,腫瘍患者のモデル表現をクラスタ化することにより,本モデルが疾患を暗黙的に理解し,同一型のがん患者を異なるリスクグループに分類できることを示す。 追加の特徴と解釈可能性を考えると、ExBEHRTは疾患の軌跡、診断、および様々な疾患の危険因子に関する情報的決定に役立てることができる。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• MPRE: Multi-perspective Patient Representation Extractor for Disease Prediction [3.914545513460964]
  疾患予測のための多視点患者表現エクストラクタ(MPRE)を提案する。 具体的には、動的特徴の傾向と変動情報を抽出する周波数変換モジュール(FTM)を提案する。 2D Multi-Extraction Network (2D MEN) において、傾向と変動に基づいて2次元時間テンソルを形成する。 また,FODAM(First-Order difference Attention Mechanism)も提案する。
  論文  参考訳（メタデータ） (2024-01-01T13:52:05Z)
• Longitudinal patient stratification of electronic health records with flexible adjustment for clinical outcomes [0.7874708385247353]
  我々は、再構成、結果、クラスタリング損失を用いて、ERHデータをクラスタリングするリカレントニューラルネットワークオートエンコーダを開発する。 糖尿病患者29,229ドルの患者を対象に,異なる軌跡と異なる結果の患者集団のモデル性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T11:21:39Z)
• Medical Profile Model: Scientific and Practical Applications in Healthcare [1.718235998156457]
  本研究は, 患者の病歴を, 病の時間的シーケンスとして提示し, その埋め込みを教師なしで学習する。 埋め込みスペースには、一般化された患者プロファイルの作成を可能にする人口統計パラメータが含まれている。 このような医療プロファイルモデルのトレーニングは、100万人以上の患者のデータセット上で実施されている。
  論文  参考訳（メタデータ） (2021-06-21T13:30:43Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Personalized pathology test for Cardio-vascular disease: Approximate Bayesian computation with discriminative summary statistics learning [48.7576911714538]
  近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。 この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
  論文  参考訳（メタデータ） (2020-10-13T15:20:21Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)

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。