Fugu-MT 論文翻訳(概要): Medication Recommendation via Domain Knowledge Informed Deep Learning

論文の概要: Medication Recommendation via Domain Knowledge Informed Deep Learning

arxiv url: http://arxiv.org/abs/2305.19604v3
Date: Mon, 22 Jan 2024 08:13:50 GMT
ステータス: 処理完了
システム内更新日: 2024-01-23 21:37:00.070799
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

DIRI: Adversarial Patient Reidentification with Large Language Models for Evaluating Clinical Text Anonymization [13.038800602897354]
本研究は, 大規模言語モデルを用いて患者を同定し, 臨床記録の再検討を行った。本手法は, 臨床診断書に適合する患者を同定するために, 大規模言語モデルを用いている。 ClinicalBERTが最も有効であり, マスキングでPIIが同定できたが, 臨床記録の9%は再同定された。
論文参考訳（メタデータ） (2024-10-22T14:06:31Z)
Understanding Clinical Decision-Making in Traditional East Asian Medicine through Dimensionality Reduction: An Empirical Investigation [5.120567378386615]
従来の東アジア医学(TEAM)における臨床的意思決定過程について検討した。本研究では,8原則パターン同定(EPPI)システムに着目し,Shang-Han-Lunの実証データを利用する。 Ext-Intパターンが患者の症状に関する情報を最も多く含んでいるか,最も抽象的で一般化可能な症状情報を示し,適切な処方薬の選択を容易にするか,という3つの仮説を検証した。
論文参考訳（メタデータ） (2024-09-29T03:28:19Z)
TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文参考訳（メタデータ） (2024-06-30T09:13:10Z)
CausalMed: Causality-Based Personalized Medication Recommendation Centered on Patient health state [11.137353555292277]
CausalMedは、患者の表現のパーソナライズを高めることができる患者の健康状態中心モデルである。本手法はよりパーソナライズされた患者表現を学習し、精度と安全性において最先端のモデルより優れる。
論文参考訳（メタデータ） (2024-04-18T14:44:08Z)
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)
Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
本稿では,Re$3$Writer法を提案する。本手法が患者の退院指示生成に有効であることを示す。
論文参考訳（メタデータ） (2022-10-23T16:34:39Z)
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)
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。