論文の概要: Medication Recommendation via Domain Knowledge Informed Deep Learning
- arxiv url: http://arxiv.org/abs/2305.19604v2
- Date: Thu, 11 Jan 2024 03:44:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 03:51:45.297235
- Title: Medication Recommendation via Domain Knowledge Informed Deep Learning
- Title(参考訳): ドメイン知識を用いた深層学習による薬剤推奨
- Authors: Sicen Liu, Xiaolong Wang, Xianbing Zhao, Hao Chen
- Abstract要約: 電子カルテから薬を推奨する学習は、以前の研究で最も一般的な方法である。
本研究は,新しいtextbfDomain textbfKnowledge textbfInformed textbfNetwork (DKINet) を提案する。
- 参考スコア(独自算出の注目度): 13.775390564032994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medication recommendation is a fundamental yet crucial branch of healthcare,
which provides opportunities to support clinical physicians with more accurate
medication prescriptions for patients with complex health conditions. Learning
from electronic health records (EHR) to recommend medications is the most
common way in previous studies. However, most of them neglect incorporating
domain knowledge according to the clinical manifestations in the EHR of the
patient. To address these issues, we propose a novel \textbf{D}omain
\textbf{K}nowledge \textbf{I}nformed \textbf{Net}work (DKINet) to integrate
domain knowledge with observable clinical manifestations of the patient, which
is the first dynamic domain knowledge informed framework toward medication
recommendation. In particular, we first design a knowledge-driven encoder to
capture the domain information and then develop a data-driven encoder to
integrate domain knowledge into the observable EHR. To endow the model with the
capability of temporal decision, we design an explicit medication encoder for
learning the longitudinal dependence of the patient. Extensive experiments on
three publicly available datasets verify the superiority of our method. The
code will be public upon acceptance.
- Abstract(参考訳): 薬の推奨は医療の基本的かつ重要な分野であり、複雑な健康状態の患者に対して、より正確な処方薬を使用して臨床医師を支援する機会を提供する。
電子健康記録(ehr)から薬を推奨する学習は、これまでの研究では最も一般的な方法である。
しかし,そのほとんどは,患者のERHにおける臨床症状に応じて,ドメイン知識を取り入れることを無視している。
これらの課題に対処するため,本論文では,患者の観察可能な臨床症状とドメイン知識を統合するために,新規な「textbf{D}omain \textbf{K}nowledge \textbf{I}nformed \textbf{Net}work」(DKINet)を提案する。
特に,まず知識駆動型エンコーダを設計し,次にデータ駆動型エンコーダを開発し,観測可能なEHRにドメイン知識を統合する。
このモデルに時間的決定能力を持たせるために,患者の経時的依存を学習するための明示的な薬剤エンコーダを設計する。
3つの公開データセットに対する大規模な実験により,本手法の優位性が確認された。
コードは受理すれば公開されます。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - Generative Large Language Models are autonomous practitioners of
evidence-based medicine [27.229179922424063]
EBM(エビデンス・ベース・メディカル)は、臨床医学の基礎であり、臨床医が継続的に知識を更新し、患者医療に最良の臨床証拠を適用する必要がある。
EBMの実践は、医学研究の急速な進歩による課題に直面し、臨床医に情報過負荷をもたらす。
人工知能(AI)の統合、特にジェネレーティブ・大型言語モデル(LLM)は、この複雑さを管理するための有望なソリューションを提供する。
論文 参考訳(メタデータ) (2024-01-05T15:09:57Z) - RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19
Assessment in Primary Care [45.43645878061283]
本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。
私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。
本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
論文 参考訳(メタデータ) (2023-06-17T23:35:51Z) - MD-Manifold: A Medical-Distance-Based Representation Learning Approach
for Medical Concept and Patient Representation [6.795388490479779]
医療分析タスクのための医療概念を表現するには、医療領域の知識と事前のデータ情報を統合する必要がある。
MD-Manifoldは,医療概念と患者表現に対する新しいアプローチを提案する。
これには、重要な医療領域の知識と事前のデータ情報を統合するための、新しいデータ拡張アプローチ、コンセプト距離メトリック、および患者と患者のネットワークが含まれる。
論文 参考訳(メタデータ) (2023-04-30T18:58:32Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳(メタデータ) (2023-03-23T04:47:46Z) - 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) - Retrieve, Reason, and Refine: Generating Accurate and Faithful Patient
Instructions [65.11629300465812]
臨床作業量を削減しつつ,不完全性を回避する客観的な手段を提供する新しい課題を提案する。
Re3Writerは医師の作業パターンを模倣し、医師によって書かれた歴史的なPIから関連する作業経験を最初に取得する。
その後、回収された作業経験を洗練させ、医療知識を推論して有用な情報を抽出する。
論文 参考訳(メタデータ) (2022-10-23T16:34:39Z) - Modelling Patient Trajectories Using Multimodal Information [0.0]
本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。
本手法は, 予期せぬ患者寛解と疾患進行の2つの異なる臨床結果に基づいて検討した。
論文 参考訳(メタデータ) (2022-09-09T10:20:54Z) - 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) - An NLP Solution to Foster the Use of Information in Electronic Health
Records for Efficiency in Decision-Making in Hospital Care [0.26340862968426904]
このプロジェクトは、ポルトガル語で書かれたフリーテキスト臨床記録内の属性を自動的に識別するためのルールを定義し、技術的ソリューションを開発することを目的としている。
プロジェクトの目標は、臨床医、疫学者、計算言語学者、機械学習研究者、ソフトウェアエンジニアを含む複数の学際的なチームによって達成された。
論文 参考訳(メタデータ) (2022-02-24T15:52:59Z) - 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)
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。