論文の概要: Decoding Virtual Healthcare Success through Knowledge-Aware and Multimodal Predictive Modeling

• arxiv url: http://arxiv.org/abs/2306.03833v5
• Date: Thu, 30 Oct 2025 21:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.772001
• Title: Decoding Virtual Healthcare Success through Knowledge-Aware and Multimodal Predictive Modeling
• Title（参考訳）: 知識認識とマルチモーダル予測モデリングによる仮想ヘルスケア成功のデコード
• Authors: Shuang Geng, Wenli Zhang, Jiaheng Xie, Gemin Liang, Ben Niu, Sudha Ram,
• Abstract要約: 本研究では,マルチモーダルデータと知識ネットワークを融合した予測モデリング手法を開発し,患者,医師,コンサルテーションコンテキスト間の潜伏関係を捉える。 この発見は、データ駆動インテリジェンスを通じて、オンラインとオフラインのサービスを組み合わせたハイブリッドヘルスケアエコシステムを設計する上で意味がある。
• 参考スコア（独自算出の注目度）: 4.879855036729861
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Online healthcare consultations have transformed how patients seek medical advice, offering convenience while introducing new challenges for ensuring consultation success. Predicting whether an online consultation will be successful is critical for improving patient experiences and sustaining platform competitiveness. Yet, such prediction is inherently difficult due to the fragmented nature of patients' care journeys and the lack of integration between virtual and traditional healthcare systems. Furthermore, the data collected from online platforms, including textual conversations, interaction sequences, and behavioral traces, are often sparse and incomplete. This study develops a predictive modeling approach that fuses multimodal data and dynamically constructed knowledge networks to capture latent relationships among patients, physicians, and consultation contexts. By integrating heterogeneous information sources and uncovering the evolving structure of digital interactions, the model enhances the accuracy and interpretability of consultation success prediction. The findings offer implications for designing hybrid healthcare ecosystems that combine online and offline services through data-driven intelligence.
• Abstract（参考訳）: オンライン医療コンサルテーションは、患者が医療アドバイスを求める方法を変え、利便性を提供しながら、コンサルティングの成功を確実にするための新たな課題を導入してきた。 オンライン相談が成功するかどうかを予測することは、患者の体験を改善し、プラットフォームの競争力を維持するために重要である。 しかし、このような予測は、患者のケアジャーニーの断片的な性質と、仮想医療システムと従来の医療システムの統合の欠如により、本質的に困難である。 さらに、テキスト会話、インタラクションシーケンス、行動トレースを含むオンラインプラットフォームから収集されたデータは、しばしば疎結合で不完全である。 本研究では,マルチモーダルデータと動的に構築された知識ネットワークを融合した予測モデリング手法を開発し,患者,医師,コンサルテーションコンテキスト間の潜伏関係を捉える。 不均一な情報ソースを統合し、デジタルインタラクションの進化する構造を明らかにすることで、モデルはコンサルティング成功予測の正確性と解釈可能性を高める。 この発見は、データ駆動インテリジェンスを通じて、オンラインとオフラインのサービスを組み合わせたハイブリッドヘルスケアエコシステムを設計する上で意味がある。

関連論文リスト

• Socially Constructed Treatment Plans: Analyzing Online Peer Interactions to Understand How Patients Navigate Complex Medical Conditions [1.660288273261283]
  複雑な条件に対する治療計画の「社会的構築」の特徴について述べる。 我々は、現在最先端の大規模言語モデル(LLM)において、社会的に構築された治療関連知識がどのように反映されているかを検討する。
  論文  参考訳（メタデータ） (2025-03-27T21:06:07Z)
• Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [61.633126163190724]
  精神病は、社会的、個人的コストがかなり高い広範囲で不安定な状態である。 近年の人工知能(AI)の進歩は、うつ病、不安障害、双極性障害、統合失調症、外傷後ストレス障害などの病態を認識し、対処するための大きな可能性を秘めている。 データセットやトレーニング済みモデルからの機密データ漏洩のリスクを含むプライバシー上の懸念は、これらのAIシステムを実際の臨床環境にデプロイする上で、依然として重要な障壁である。
  論文  参考訳（メタデータ） (2025-02-01T15:10:02Z)
• 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)
• Yes, this is what I was looking for! Towards Multi-modal Medical Consultation Concern Summary Generation [46.42604861624895]
  マルチモーダル・メディカル・コンシューム・サマリ・ジェネレーションの新しい課題を提案する。 患者のジェスチャーや表情などの非言語的手がかりは、患者の懸念を正確に識別するのに役立つ。 マルチモーダル・メディカル・コンシューム・サマリー・ジェネレーション・コーパスを構築。
  論文  参考訳（メタデータ） (2024-01-10T12:56:47Z)
• 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。