論文の概要: Mining Themes in Clinical Notes to Identify Phenotypes and to Predict
Length of Stay in Patients admitted with Heart Failure
- arxiv url: http://arxiv.org/abs/2305.19373v1
- Date: Tue, 30 May 2023 19:30:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 19:45:01.008036
- Title: Mining Themes in Clinical Notes to Identify Phenotypes and to Predict
Length of Stay in Patients admitted with Heart Failure
- Title（参考訳）: 心不全患者における表現型同定と滞在時間予測のための臨床ノートのマイニングテーマ
- Authors: Ankita Agarwal, Tanvi Banerjee, William L. Romine, Krishnaprasad
Thirunarayan, Lingwei Chen, Mia Cajita
- Abstract要約: 心不全 (Heart failure) は、心臓が血液や酸素を汲み上げず体内の他の臓器を支えられない場合に起こる症候群である。
心不全が疑われた患者の診断基準および処置報告の下位テーマを特定すれば、心不全に関連する臨床的表現型が明らかになる可能性がある。
- 参考スコア（独自算出の注目度）: 3.350712823657887
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart failure is a syndrome which occurs when the heart is not able to pump
blood and oxygen to support other organs in the body. Identifying the
underlying themes in the diagnostic codes and procedure reports of patients
admitted for heart failure could reveal the clinical phenotypes associated with
heart failure and to group patients based on their similar characteristics
which could also help in predicting patient outcomes like length of stay. These
clinical phenotypes usually have a probabilistic latent structure and hence, as
there has been no previous work on identifying phenotypes in clinical notes of
heart failure patients using a probabilistic framework and to predict length of
stay of these patients using data-driven artificial intelligence-based methods,
we apply natural language processing technique, topic modeling, to identify the
themes present in diagnostic codes and in procedure reports of 1,200 patients
admitted for heart failure at the University of Illinois Hospital and Health
Sciences System (UI Health). Topic modeling identified twelve themes each in
diagnostic codes and procedure reports which revealed information about
different phenotypes related to various perspectives about heart failure, to
study patients' profiles and to discover new relationships among medical
concepts. Each theme had a set of keywords and each clinical note was labeled
with two themes - one corresponding to its diagnostic code and the other
corresponding to its procedure reports along with their percentage
contribution. We used these themes and their percentage contribution to predict
length of stay. We found that the themes discovered in diagnostic codes and
procedure reports using topic modeling together were able to predict length of
stay of the patients with an accuracy of 61.1% and an Area under the Receiver
Operating Characteristic Curve (ROC AUC) value of 0.828.
- Abstract（参考訳）: 心不全 (Heart failure) は、心臓が血液や酸素を汲み上げず体内の他の臓器を支えられない場合に起こる症候群である。
心不全に罹患した患者の診断基準や処置報告の根底にあるテーマを特定すれば、心不全に関連する臨床的表現型を明らかにし、その類似した特徴に基づいて患者をグループ化することができる。
These clinical phenotypes usually have a probabilistic latent structure and hence, as there has been no previous work on identifying phenotypes in clinical notes of heart failure patients using a probabilistic framework and to predict length of stay of these patients using data-driven artificial intelligence-based methods, we apply natural language processing technique, topic modeling, to identify the themes present in diagnostic codes and in procedure reports of 1,200 patients admitted for heart failure at the University of Illinois Hospital and Health Sciences System (UI Health).
トピック・モデリングでは、心不全に関する様々な観点から異なる表現型に関する情報を明らかにし、患者のプロファイルを調べ、医療概念間の新たな関係を見出す12のテーマをそれぞれ特定した。
各テーマには一連のキーワードがあり、各臨床ノートには2つのテーマ(診断コードに対応するものと手続き報告に対応するもの)がラベル付けされ、そのパーセンテージが付与された。
これらのテーマとパーセンテージのコントリビューションを使って滞在期間を予測しました。
トピックモデリングを用いて診断コードや手順レポートから得られたテーマは, 61.1%の精度で患者の滞在期間を予測でき, 受信者の動作特性曲線 (roc auc) が0.828であった。
関連論文リスト
- Estimating the severity of dental and oral problems via sentiment
classification over clinical reports [0.8287206589886879]
テキストにおける著者の感情を分析することは、医学や歯科など様々な分野において実用的で有用である。
CNN-LSTMとして知られる畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ネットワークアーキテクチャに基づくディープラーニングモデルを開発した。
論文 参考訳（メタデータ） (2024-01-17T14:33:13Z) - 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) - Enriching Unsupervised User Embedding via Medical Concepts [51.17532619610099]
教師なしのユーザ埋め込みは、患者を人間の監督なしに、固定長のベクターにエンコードすることを目的としている。
臨床ノートから抽出された医療概念は、患者とその臨床カテゴリ間の豊富な関係を含んでいる。
本稿では,2つの臨床コーパスからテキスト文書と医療概念を共同で活用する,非教師なしユーザ埋め込みを提案する。
論文 参考訳（メタデータ） (2022-03-20T18:54:05Z) - Similarity-based prediction of Ejection Fraction in Heart Failure
Patients [0.0]
本稿では,FILL (Feature Imputation via Local Likelihood) という,データ駆動型統計機械学習手法を提案する。
我々は, 心不全患者に対して, 排液分画率(HFrEF, HFpEF)の低下と保存率の低下を鑑別し, 特に困難な問題を用いて本法を検証した。
これらの困難にもかかわらず,本手法は複数のシナリオを考慮した場合,80%以上の精度でHFpEFの心不全患者を推定できることが示されている。
論文 参考訳（メタデータ） (2022-03-14T14:19:08Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Personalized pathology test for Cardio-vascular disease: Approximate
Bayesian computation with discriminative summary statistics learning [48.7576911714538]
近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。
この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
論文 参考訳（メタデータ） (2020-10-13T15:20:21Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - Towards Patient Record Summarization Through Joint Phenotype Learning in
HIV Patients [1.598617270887469]
本研究では、構造化データと非構造化データにまたがる多数の表現型/プロブレムを共同で学習する、教師なし表現型化手法を提案する。
我々は,大都市医療施設のHIVクリニックから患者を表現型化する実験を行った。
臨床専門家による評価では,学習した表現型とその関連性は臨床的に有効であることが判明した。
論文 参考訳（メタデータ） (2020-03-09T15:41:58Z) - A Corpus for Detecting High-Context Medical Conditions in Intensive Care
Patient Notes Focusing on Frequently Readmitted Patients [28.668217175230822]
このデータセットには1102個の放電サマリーと1000個の看護進歩ノートが含まれている。
注釈付き表現型には、非アジェレンス治療、慢性痛、進行/転移性癌、および他の10種類の表現型が含まれる。
このデータセットは、医学、コンピュータ科学、特に医学自然言語処理の分野における学術、産業研究に利用することができる。
論文 参考訳（メタデータ） (2020-03-06T05:56:49Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。