論文の概要: GraphCare: Enhancing Healthcare Predictions with Open-World Personalized Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2305.12788v1
• Date: Mon, 22 May 2023 07:35:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 17:38:13.943331
• Title: GraphCare: Enhancing Healthcare Predictions with Open-World Personalized Knowledge Graphs
• Title（参考訳）: GraphCare: オープンワールドパーソナライズドナレッジグラフによるヘルスケア予測の強化
• Authors: Pengcheng Jiang, Cao Xiao, Adam Cross, Jimeng Sun
• Abstract要約: EHRに基づく予測を改善するために,外部知識グラフを活用するオープンワールドフレームワークであるGraphCareを提案する。 本手法は,患者固有のKGを生成するために,大規模言語モデル(LLM)と外部生物医学的KGから知識を抽出する。 我々は、MIMIC-IIIとMIMIC-IVの2つの公開データセット上でGraphCareを評価する。
• 参考スコア（独自算出の注目度）: 59.354749532525744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical predictive models often rely on patients electronic health records (EHR), but integrating medical knowledge to enhance predictions and decision-making is challenging. This is because personalized predictions require personalized knowledge graphs (KGs), which are difficult to generate from patient EHR data. To address this, we propose GraphCare, an open-world framework that leverages external KGs to improve EHR-based predictions. Our method extracts knowledge from large language models (LLMs) and external biomedical KGs to generate patient-specific KGs, which are then used to train our proposed Bi-attention AugmenTed BAT graph neural network GNN for healthcare predictions. We evaluate GraphCare on two public datasets: MIMIC-III and MIMIC-IV. Our method outperforms baseline models in four vital healthcare prediction tasks: mortality, readmission, length-of-stay, and drug recommendation, improving AUROC on MIMIC-III by average margins of 10.4%, 3.8%, 2.0%, and 1.5%, respectively. Notably, GraphCare demonstrates a substantial edge in scenarios with limited data availability. Our findings highlight the potential of using external KGs in healthcare prediction tasks and demonstrate the promise of GraphCare in generating personalized KGs for promoting personalized medicine.
• Abstract（参考訳）: 臨床予測モデルは、しばしば患者電子健康記録(ehr)に依存するが、予測と意思決定を強化するための医療知識の統合は困難である。 これは、パーソナライズされた予測にはパーソナライズドナレッジグラフ(kgs)が必要であり、患者ehrデータから生成することが難しいためである。 そこで我々は,外部KGを活用してEHRに基づく予測を改善するオープンワールドフレームワークであるGraphCareを提案する。 提案手法は,大規模言語モデル(LLM)と外部生物医学的KGから知識を抽出し,患者固有のKGを生成する。 我々は、MIMIC-IIIとMIMIC-IVの2つの公開データセット上でGraphCareを評価する。 本手法は, 死亡率, 寛容率, 薬剤推奨率, MIMIC-IIIのAUROCを平均利率10.4%, 3.8%, 2.0%, 1.5%で改善する4つの重要な医療予測課題において, ベースラインモデルより優れていた。 特に、GraphCareは、データ可用性が制限されたシナリオにおいて、かなりのエッジを示している。 本研究は, 医療予測タスクにおける外部kgsの利用の可能性を強調し, パーソナライズ医療を促進するためのパーソナライズされたkgs生成におけるグラフケアの有望性を示す。

関連論文リスト

• DualMAR: Medical-Augmented Representation from Dual-Expertise Perspectives [20.369746122143063]
  本研究では,個人観測データと公開知識ベースによる予測タスクを強化するフレームワークであるDualMARを提案する。 極空間上の座標の取得と角化により、DualMARはKGからのリッチな階層的およびセマンティックな埋め込みに基づく正確な予測を可能にする。
  論文  参考訳（メタデータ） (2024-10-25T20:25:22Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• 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)
• Demographic Aware Probabilistic Medical Knowledge Graph Embeddings of Electronic Medical Records [0.5524804393257919]
  電子医療記録(EMR)から構築された医療知識グラフ(KG)には、患者や医療機関に関する豊富な情報が含まれている。 DarLINGは、患者の人口統計を対応するハイパープレーンと関連付けることによって、医療現場に人口統計を明示的に組み込む人口統計認識医療KG埋め込みフレームワークです。 EMRデータから構築した医用KGを用いた治療薬のリンク予測によるDARlingの評価を行い,既存のKG埋め込みモデルと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-22T15:45:05Z)
• Deep Learning with Heterogeneous Graph Embeddings for Mortality Prediction from Electronic Health Records [2.2859570135269625]
  我々は、電子健康記録データ上に不均一グラフモデル(HGM)をトレーニングし、結果の埋め込みベクトルをコナールニューラルネットワーク(CNN)モデルに追加情報として使用して、院内死亡率を予測する。 CNNモデルにHGMを追加すると、死亡予測精度が最大4%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-28T02:27:09Z)
• 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。