論文の概要: Predicting COVID-19 and pneumonia complications from admission texts

• arxiv url: http://arxiv.org/abs/2305.03661v1
• Date: Fri, 5 May 2023 16:28:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 13:13:44.665597
• Title: Predicting COVID-19 and pneumonia complications from admission texts
• Title（参考訳）: 入院テキストからのcovid-19と肺炎合併症の予測
• Authors: Dmitriy Umerenkov, Oleg Cherkashin, Alexander Nesterov, Victor Gombolevskiy, Irina Demko, Alexander Yalunin, Vladimir Kokh
• Abstract要約: 入院報告に基づき,肺炎やCOVID-19に罹患した患者に対するリスクアセスメントの新たなアプローチを提案する。 入院直後の入院報告などのテキストデータにLongformerニューラルネットワークを適用し,リスクスコアを算出した。
• 参考スコア（独自算出の注目度）: 101.28793285063904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we present a novel approach to risk assessment for patients hospitalized with pneumonia or COVID-19 based on their admission reports. We applied a Longformer neural network to admission reports and other textual data available shortly after admission to compute risk scores for the patients. We used patient data of multiple European hospitals to demonstrate that our approach outperforms the Transformer baselines. Our experiments show that the proposed model generalises across institutions and diagnoses. Also, our method has several other advantages described in the paper.
• Abstract（参考訳）: 本稿では,肺炎やCOVID-19に罹患した患者に対する入院報告に基づくリスクアセスメントの新たなアプローチを提案する。 患者に対するリスクスコアを計算するために,入会直後の入会報告やその他のテキストデータに長文ニューラルネットワークを適用した。 複数の欧州の病院の患者データを用いて、我々のアプローチがTransformerベースラインより優れていることを実証した。 実験により, 提案モデルが組織全体にわたって一般化し, 診断を行うことを確認した。 また,本手法には他にもいくつかの利点がある。

関連論文リスト

• An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records [2.156208381257605]
  そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。 実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-16T08:48:52Z)
• 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)
• 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)
• 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)
• MAVIDH Score: A COVID-19 Severity Scoring using Chest X-Ray Pathology Features [10.671315906986754]
  コンピュータビジョンの新型コロナウイルス診断への応用は複雑で難しい。 新型コロナウイルスの医療画像の最大の価値は、むしろ患者の予後にある。 胸部X線から疾患重症度を評価するための肺病理学的特徴に基づく簡易な方法を提案する。
  論文  参考訳（メタデータ） (2020-11-30T16:55:28Z)
• 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)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• 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)

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。