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

• Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
  NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。 NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。 本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
  論文  参考訳（メタデータ） (2025-01-13T09:51:50Z)
• Contrastive Learning on Medical Intents for Sequential Prescription Recommendation [7.780844394603662]
  Attentive Recommendation with Contrasted Intents (ARCI) は、異なるが共存する時間的経路を、共通の訪問シーケンスで捉えるように設計されている。 評価基準と分類基準の両方を用いて,2つの実世界のデータセットを処方勧告タスクとして実験した。
  論文  参考訳（メタデータ） (2024-08-13T20:10:28Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• 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)
• 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。