論文の概要: MD-Manifold: A Medical-Distance-Based Representation Learning Approach
for Medical Concept and Patient Representation
- arxiv url: http://arxiv.org/abs/2305.00553v1
- Date: Sun, 30 Apr 2023 18:58:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 14:49:03.308248
- Title: MD-Manifold: A Medical-Distance-Based Representation Learning Approach
for Medical Concept and Patient Representation
- Title（参考訳）: MD-Manifold:医療概念と患者表現のための医療距離ベース表現学習アプローチ
- Authors: Shaodong Wang and Qing Li and Wenli Zhang
- Abstract要約: 医療分析タスクのための医療概念を表現するには、医療領域の知識と事前のデータ情報を統合する必要がある。
MD-Manifoldは,医療概念と患者表現に対する新しいアプローチを提案する。
これには、重要な医療領域の知識と事前のデータ情報を統合するための、新しいデータ拡張アプローチ、コンセプト距離メトリック、および患者と患者のネットワークが含まれる。
- 参考スコア（独自算出の注目度）: 6.795388490479779
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Effectively representing medical concepts and patients is important for
healthcare analytical applications. Representing medical concepts for
healthcare analytical tasks requires incorporating medical domain knowledge and
prior information from patient description data. Current methods, such as
feature engineering and mapping medical concepts to standardized terminologies,
have limitations in capturing the dynamic patterns from patient description
data. Other embedding-based methods have difficulties in incorporating
important medical domain knowledge and often require a large amount of training
data, which may not be feasible for most healthcare systems. Our proposed
framework, MD-Manifold, introduces a novel approach to medical concept and
patient representation. It includes a new data augmentation approach, concept
distance metric, and patient-patient network to incorporate crucial medical
domain knowledge and prior data information. It then adapts manifold learning
methods to generate medical concept-level representations that accurately
reflect medical knowledge and patient-level representations that clearly
identify heterogeneous patient cohorts. MD-Manifold also outperforms other
state-of-the-art techniques in various downstream healthcare analytical tasks.
Our work has significant implications in information systems research in
representation learning, knowledge-driven machine learning, and using design
science as middle-ground frameworks for downstream explorative and predictive
analyses. Practically, MD-Manifold has the potential to create effective and
generalizable representations of medical concepts and patients by incorporating
medical domain knowledge and prior data information. It enables deeper insights
into medical data and facilitates the development of new analytical
applications for better healthcare outcomes.
- Abstract（参考訳）: 医療概念と患者を効果的に表現することは、医療分析の応用において重要である。
医療分析業務における医療概念の表現には、患者記述データから医療領域知識と事前情報を統合する必要がある。
機能工学や医療概念の標準化された用語へのマッピングといった現在の手法は、患者説明データから動的パターンを捉えることに限界がある。
他の埋め込みベースの手法は重要な医学領域の知識を組み込むのが困難であり、多くの医療システムでは実現不可能な大量のトレーニングデータを必要とすることが多い。
提案するmd-manifoldは,医療概念と患者表現に対する新しいアプローチを提案する。
新しいデータ拡張アプローチ、概念距離メトリクス、患者-患者ネットワークが含まれており、重要な医療領域の知識と事前データ情報を取り込んでいる。
次に、多様体学習法を適用し、医療知識を正確に反映した医療概念レベルの表現と、異種患者コホートを明確に識別する患者レベルの表現を生成する。
MD-Manifoldは、さまざまな下流医療分析タスクにおいて、他の最先端技術よりも優れている。
我々の研究は、情報システム研究において、表現学習、知識駆動機械学習、および下流探索的および予測的分析のための中間的フレームワークとしてのデザイン科学の利用に大きな影響を与える。
MD-Manifoldは、医療領域の知識と先行データ情報を組み込むことで、医療概念や患者を効果的かつ一般化可能な表現できる可能性を持っている。
医療データへの深い洞察を可能にし、医療結果を改善するための新しい分析アプリケーションの開発を促進する。
関連論文リスト
- A Survey of Medical Vision-and-Language Applications and Their Techniques [48.268198631277315]
医療ビジョン・アンド・ランゲージモデル(MVLM)は、複雑な医療データを解釈するための自然言語インタフェースを提供する能力から、大きな関心を集めている。
本稿では,MVLMの概要と適用した各種医療課題について概観する。
また、これらのタスクに使用するデータセットについても検討し、標準化された評価指標に基づいて異なるモデルの性能を比較した。
論文 参考訳（メタデータ） (2024-11-19T03:27:05Z) - MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway
Encoding [48.348511646407026]
本稿では,知識向上と臨床パスウェイ符号化フレームワークを用いた医療対話について紹介する。
このフレームワークは、医療知識グラフを介して外部知識増強モジュールと、医療機関および医師の行動を介して、内部臨床経路をコードする。
論文 参考訳（メタデータ） (2024-03-11T10:57:45Z) - Patient-Centric Knowledge Graphs: A Survey of Current Methods,
Challenges, and Applications [2.913761513290171]
患者中心知識グラフ(PCKG)は、個別の患者ケアに焦点を当てた医療における重要なシフトである。
PCKGは様々な種類の健康データを統合し、患者の健康を包括的に理解する医療専門家に提供します。
本稿はPCKGに関する方法論,課題,機会について概説する。
論文 参考訳（メタデータ） (2024-02-20T00:07:55Z) - Multi-modal Graph Learning over UMLS Knowledge Graphs [1.6311327256285293]
医療概念の有意義な表現を学習するためのMMUGL(Multi-Modal UMLS Graph Learning)を提案する。
これらの表現は、患者の訪問全体を表すために集約され、シークエンスモデルに入力され、患者の複数の病院訪問の粒度で予測される。
論文 参考訳（メタデータ） (2023-07-10T10:16:57Z) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-04-26T01:26:19Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Modelling Patient Trajectories Using Multimodal Information [0.0]
本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。
本手法は, 予期せぬ患者寛解と疾患進行の2つの異なる臨床結果に基づいて検討した。
論文 参考訳（メタデータ） (2022-09-09T10:20:54Z) - AI Approaches in Processing and Using Data in Personalized Medicine [0.0]
高度な人工知能技術は、そのようなビッグデータを分析し、それらを消費し、パーソナライズされた医療決定をサポートするための新しい知識を導き出す機会を提供する。
高度な機械学習、フェデレートドラーニング、トランスファーラーニング、説明可能な人工知能といった新しいアプローチは、将来的に健康データや医療データをより高品質に活用するための新たな道を開く。
論文 参考訳（メタデータ） (2022-07-26T11:11:39Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - 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)
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。