論文の概要: Predicting Consultation Success in Online Health Platforms Using Dynamic Knowledge Networks and Multimodal Data Fusion
- arxiv url: http://arxiv.org/abs/2306.03833v4
- Date: Fri, 14 Jun 2024 18:41:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 13:00:14.931450
- Title: Predicting Consultation Success in Online Health Platforms Using Dynamic Knowledge Networks and Multimodal Data Fusion
- Title（参考訳）: 動的知識ネットワークとマルチモーダルデータ融合を用いたオンライン健康プラットフォームにおけるコンサルテーション成功予測
- Authors: Shuang Geng, Wenli Zhang, Jiaheng Xie, Gemin Liang, Ben Niu, Sudha Ram,
- Abstract要約: オンライン相談の成功を予測することは、患者の全医療ジャーニーにおける仮想相談の役割の一部が原因で困難である。
オンライン相談における患者データは、しばしばスパースで不完全であり、重要な技術的課題と研究のギャップを提示する。
本稿では,オンライン医療相談の予測能力を高める動的知識ネットワークとマルチモーダルデータフュージョンフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.8726075770916792
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Online healthcare consultation in virtual health is an emerging industry marked by innovation and fierce competition. Accurate and timely prediction of healthcare consultation success can proactively help online platforms address patient concerns and improve retention rates. However, predicting online consultation success is challenging due to the partial role of virtual consultations in patients' overall healthcare journey and the disconnect between online and in-person healthcare IT systems. Patient data in online consultations is often sparse and incomplete, presenting significant technical challenges and a research gap. To address these issues, we propose the Dynamic Knowledge Network and Multimodal Data Fusion (DyKoNeM) framework, which enhances the predictive power of online healthcare consultations. Our work has important implications for new business models where specific and detailed online communication processes are stored in the IT database, and at the same time, latent information with predictive power is embedded in the network formed by stakeholders' digital traces. It can be extended to diverse industries and domains, where the virtual or hybrid model (e.g., integration of online and offline services) is emerging as a prevailing trend.
- Abstract（参考訳）: バーチャルヘルスにおけるオンライン医療相談は、イノベーションと激しい競争を特徴とする新興産業である。
医療相談の成功の正確なタイムリーな予測は、オンラインプラットフォームが患者の懸念に積極的に対処し、保持率を向上させるのに役立つ。
しかし, 患者全体の医療ジャーニーにおける仮想相談の役割の一部と, オンラインと対人医療ITシステムとの切り離しにより, オンライン相談の成功を予測することは困難である。
オンライン相談における患者データは、しばしばスパースで不完全であり、重要な技術的課題と研究のギャップを提示する。
これらの課題に対処するために,オンライン医療相談の予測力を高める動的知識ネットワークとマルチモーダルデータフュージョン(DyKoNeM)フレームワークを提案する。
我々の研究は、特定の詳細なオンラインコミュニケーションプロセスがITデータベースに格納されている新しいビジネスモデルに重要な意味を持ち、同時に、ステークホルダーのデジタルトレースによって形成されたネットワークに予測力を持つ潜伏情報が埋め込まれている。
仮想またはハイブリッドモデル(例えば、オンラインおよびオフラインサービスの統合)が主流のトレンドとして現れている、さまざまな産業やドメインに拡張することができる。
関連論文リスト
- Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。
提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
論文 参考訳（メタデータ） (2024-10-23T00:31:17Z) - Attention on Personalized Clinical Decision Support System: Federated
Learning Approach [15.642569319806716]
本稿では,統合学習パラダイムの下で訓練・管理された深層学習に基づく臨床意思決定支援システムを提案する。
我々は、患者のプライバシーの安全を保証し、サイバー攻撃のリスクを克服する新しい戦略に焦点を当てる。
論文 参考訳（メタデータ） (2024-01-22T07:24:15Z) - Generative AI-Driven Human Digital Twin in IoT-Healthcare: A Comprehensive Survey [53.691704671844406]
IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。
ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。
HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。
最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
論文 参考訳（メタデータ） (2024-01-22T03:17:41Z) - Towards Smart Healthcare: Challenges and Opportunities in IoT and ML [0.0]
新型コロナウイルス(COVID-19)のパンデミックや他の健康危機は、世界中の医療サービスを促進する必要性を浮き彫りにした。
この章は、IoTヘルスケアセクターに機械学習メソッドを統合する際に直面するハードルを探求することに焦点を当てている。
現在の研究課題と潜在的な機会を包括的にまとめ、三つのシナリオに分類する。
論文 参考訳（メタデータ） (2023-12-09T10:45:44Z) - Multimodal Federated Learning in Healthcare: a Review [5.983768682145731]
フェデレートラーニング(FL)は、データを統合する必要のない分散メカニズムを提供する。
本稿では,医療分野におけるマルチモーダル・フェデレート・ラーニング(MMFL)の現状について概説する。
最先端のAI技術と、医療アプリケーションにおける患者のデータプライバシの必要性のギャップを埋めることを目指している。
論文 参考訳（メタデータ） (2023-10-14T19:43:06Z) - ENOTO: Improving Offline-to-Online Reinforcement Learning with Q-Ensembles [52.34951901588738]
我々はENsemble-based Offline-To-Online (ENOTO) RLという新しいフレームワークを提案する。
Q-networksの数を増やすことで、オフラインの事前トレーニングとオンラインの微調整を、パフォーマンスを低下させることなくシームレスに橋渡しします。
実験により,ENOTOは既存のオフラインRL手法のトレーニング安定性,学習効率,最終性能を大幅に向上できることが示された。
論文 参考訳（メタデータ） (2023-06-12T05:10:10Z) - Transitioning towards fit-for-purpose Public Health Surveillance Systems [1.345821655503426]
新型コロナウイルス(COVID-19)のパンデミックは、公衆衛生インフラのいくつかの弱点を露呈している。
検査と接触追跡の拡大は、感染した個人を特定し隔離するための鍵となっている。
遠隔医療や仮想相談などのデジタル技術は需要が急増している。
論文 参考訳（メタデータ） (2023-05-26T11:04:41Z) - The Design and Implementation of a National AI Platform for Public
Healthcare in Italy: Implications for Semantics and Interoperability [62.997667081978825]
イタリア国立衛生局は、その技術機関を通じて人工知能を採用している。
このような広大なプログラムには、知識領域の形式化に特別な注意が必要である。
AIが患者、開業医、健康システムに与える影響について疑問が投げかけられている。
論文 参考訳（メタデータ） (2023-04-24T08:00:02Z) - Privacy-preserving machine learning for healthcare: open challenges and
future perspectives [72.43506759789861]
医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。
プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。
このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
論文 参考訳（メタデータ） (2023-03-27T19:20:51Z) - Retrieving and ranking short medical questions with two stages neural
matching model [3.8020157990268206]
インターネットユーザーの80%が、オンライン上で健康に関する質問をしている。
医学分野における代表的な質問や回答は、医療データマイニングに有用な原資料である。
問合せレベルの医療質問のセマンティックマッチングのための新しい2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-16T07:00:35Z) - Assessing the Severity of Health States based on Social Media Posts [62.52087340582502]
ユーザの健康状態の重症度を評価するために,テキストコンテンツとコンテキスト情報の両方をモデル化する多視点学習フレームワークを提案する。
多様なNLUビューは、ユーザの健康を評価するために、タスクと個々の疾患の両方に効果を示す。
論文 参考訳（メタデータ） (2020-09-21T03:45:14Z)
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。