論文の概要: Sequential Condition Evolved Interaction Knowledge Graph for Traditional
Chinese Medicine Recommendation
- arxiv url: http://arxiv.org/abs/2305.17866v1
- Date: Mon, 29 May 2023 03:13:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 16:19:31.585239
- Title: Sequential Condition Evolved Interaction Knowledge Graph for Traditional
Chinese Medicine Recommendation
- Title(参考訳): 中国伝統医学勧告のための相互作用知識グラフの系列条件
- Authors: Jingjin Liu, Hankz Hankui Zhuo, Kebing Jin, Jiamin Yuan, Zhimin Yang,
Zhengan Yao
- Abstract要約: 伝統的な中国医学(TCM)は、病気の多様性を治療するために天然のハーブを利用する豊富な歴史を持っている。
既存のTCM推奨アプローチは、患者の状態の変化を見落とし、症状と処方薬の間の潜在的なパターンのみを探索する。
本稿では,患者の症状の動態を考慮し,モデルを逐次処方薬製造問題として扱う新しい枠組みを提案する。
- 参考スコア(独自算出の注目度): 9.953064118341812
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional Chinese Medicine (TCM) has a rich history of utilizing natural
herbs to treat a diversity of illnesses. In practice, TCM diagnosis and
treatment are highly personalized and organically holistic, requiring
comprehensive consideration of the patient's state and symptoms over time.
However, existing TCM recommendation approaches overlook the changes in patient
status and only explore potential patterns between symptoms and prescriptions.
In this paper, we propose a novel Sequential Condition Evolved Interaction
Knowledge Graph (SCEIKG), a framework that treats the model as a sequential
prescription-making problem by considering the dynamics of the patient's
condition across multiple visits. In addition, we incorporate an interaction
knowledge graph to enhance the accuracy of recommendations by considering the
interactions between different herbs and the patient's condition. Experimental
results on a real-world dataset demonstrate that our approach outperforms
existing TCM recommendation methods, achieving state-of-the-art performance.
- Abstract(参考訳): 伝統的な中国医学(tcm)は、様々な病気の治療に天然のハーブを利用する豊富な歴史を持っている。
実際には、TCMの診断と治療は高度にパーソナライズされ、有機的に包括的であり、患者の状態と症状を時間とともに包括的に考慮する必要がある。
しかし、既存のTCM推奨アプローチは、患者の状態の変化を見落とし、症状と処方薬の間の潜在的なパターンのみを探索する。
本稿では,患者が複数回訪問する際の状態のダイナミクスを考慮し,そのモデルを逐次処方薬製造問題として扱うフレームワークであるSCEIKG(Sequential Condition Evolved Interaction Knowledge Graph)を提案する。
また, 異なるハーブ間の相互作用と患者の状態を考慮して, 推薦の正確性を高めるために, 対話知識グラフを組み込んだ。
実世界のデータセットを用いた実験結果から,提案手法は既存のTCM推奨手法より優れ,最先端性能が達成されていることが示された。
関連論文リスト
- DrFuse: Learning Disentangled Representation for Clinical Multi-Modal
Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。
モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。
実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
論文 参考訳(メタデータ) (2024-03-10T12:41:34Z) - Dual-Granularity Medication Recommendation Based on Causal Inference [14.814729935085635]
医薬推奨は、患者の長期健康記録と医療知識を統合することを目的としている。
既存の研究の多くは、従来のレコメンデーションシステムの変種としてのみ、医薬品レコメンデーションシステムを扱っている。
医薬品推奨のためのフレームワークであるDGMedを提案する。
論文 参考訳(メタデータ) (2024-03-01T08:50:27Z) - Estimating Trustworthy and Safe Optimal Treatment Regimes [56.29769827286456]
我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。
本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
論文 参考訳(メタデータ) (2023-10-23T19:59:10Z) - Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。
医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。
提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-02-14T10:16:41Z) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳(メタデータ) (2020-12-22T13:20:23Z) - 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) - Optimizing Medical Treatment for Sepsis in Intensive Care: from
Reinforcement Learning to Pre-Trial Evaluation [2.908482270923597]
本研究の目的は, 介入を最適化する強化学習(RL)が, 学習方針の治験に対する規制に適合する経路を遡及的に得る枠組みを確立することである。
我々は,死の主な原因の一つであり,複雑で不透明な患者動態のため治療が困難である集中治療室の感染症に焦点を当てた。
論文 参考訳(メタデータ) (2020-03-13T20:31:47Z) - Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network [49.85331664178196]
ハーブレコメンデーションは、中国伝統医学の治療過程において重要な役割を担っている。
ハーブ推薦を考慮した暗黙的シンドローム誘導法を提案する。
論文 参考訳(メタデータ) (2020-02-20T05:56:53Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z)
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。