論文の概要: Revealing the impact of social circumstances on the selection of cancer
therapy through natural language processing of social work notes
- arxiv url: http://arxiv.org/abs/2306.09877v1
- Date: Fri, 16 Jun 2023 14:40:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 13:32:17.746505
- Title: Revealing the impact of social circumstances on the selection of cancer
therapy through natural language processing of social work notes
- Title(参考訳): ソーシャルワークノートの自然言語処理による癌治療選択における社会的状況の影響を明らかにする
- Authors: Shenghuan Sun, Travis Zack, Christopher Y.K. Williams, Atul J. Butte,
Madhumita Sushil
- Abstract要約: ターゲット癌治療の処方を予測するために, BERTに基づく双方向表現法を開発し, 導入した。
我々は,がん治療選択に影響を与える特定の社会的状況を特定するために,特徴的重要度分析を行った。
以上の結果から, 乳がん患者には, 社会的要因による治療法の相違がみられた。
- 参考スコア(独自算出の注目度): 0.27998963147546146
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We aimed to investigate the impact of social circumstances on cancer therapy
selection using natural language processing to derive insights from social
worker documentation. We developed and employed a Bidirectional Encoder
Representations from Transformers (BERT) based approach, using a hierarchical
multi-step BERT model (BERT-MS) to predict the prescription of targeted cancer
therapy to patients based solely on documentation by clinical social workers.
Our corpus included free-text clinical social work notes, combined with
medication prescription information, for all patients treated for breast
cancer. We conducted a feature importance analysis to pinpoint the specific
social circumstances that impact cancer therapy selection. Using only social
work notes, we consistently predicted the administration of targeted therapies,
suggesting systematic differences in treatment selection exist due to
non-clinical factors. The UCSF-BERT model, pretrained on clinical text at UCSF,
outperformed other publicly available language models with an AUROC of 0.675
and a Macro F1 score of 0.599. The UCSF BERT-MS model, capable of leveraging
multiple pieces of notes, surpassed the UCSF-BERT model in both AUROC and
Macro-F1. Our feature importance analysis identified several clinically
intuitive social determinants of health (SDOH) that potentially contribute to
disparities in treatment. Our findings indicate that significant disparities
exist among breast cancer patients receiving different types of therapies based
on social determinants of health. Social work reports play a crucial role in
understanding these disparities in clinical decision-making.
- Abstract(参考訳): 本研究の目的は,自然言語処理を用いた癌治療選択における社会的状況の影響を調査し,ソーシャルワーカーの資料から洞察を得ることである。
臨床ソーシャルワーカーによるドキュメンテーションのみに基づく患者に対する標的癌治療の処方を予測するために,階層的多段階BERTモデル(BERT-MS)を用いた双方向エンコーダ表現法(BERT-MS)を開発した。
当コーパスにはフリーテキストの臨床ソーシャルワークノートと処方情報とを併用し,乳がん治療患者全員を対象とした。
癌治療選択に影響を及ぼす特定の社会的状況を特定するために,特徴量分析を行った。
ソーシャルワークノートのみを用いて標的療法の管理を常に予測し,非臨床要因による治療選択の系統的差異が示唆された。
UCSF-BERTモデルはUCSFで臨床テキストで事前訓練され、AUROC 0.675 と Macro F1 スコア 0.599 で他の公開言語モデルを上回った。
複数の音符を利用できるUCSF BERT-MSモデルは、AUROCとMacro-F1の両方でUCSF-BERTモデルを上回った。
臨床的に直感的な健康決定因子(SDOH)を同定し,治療の格差に寄与する可能性が示唆された。
以上の結果から, 乳がん患者には, 社会的要因による治療法の相違が認められた。
ソーシャルワークレポートは、臨床意思決定におけるこれらの相違を理解する上で重要な役割を果たす。
関連論文リスト
- Social Media as a Sensor: Analyzing Twitter Data for Breast Cancer
Medication Effects Using Natural Language Processing [4.337695629629379]
そこで我々は,NLP(Natural Language Processing, 自然言語処理)に基づく手法を開発し, ソーシャルメディアから乳がんコホートを自動培養して投稿した情報について検討した。
1,454,637件の投稿が583,962件のユニークユーザーから提供された。
198人のコホートメンバーがタモキシフェンによる乳がん治療について言及した。
論文 参考訳(メタデータ) (2024-02-26T16:17:19Z) - Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance
of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。
我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。
スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文 参考訳(メタデータ) (2023-07-28T08:01:05Z) - Mathematical Modeling of BCG-based Bladder Cancer Treatment Using
Socio-Demographics [5.874094804342782]
膀胱癌は、すべての個人に影響を及ぼす最も一般的ながんの1つである。
BCの現在の標準治療は、定期的なBacillus Calmette-Guerin(BCG)免疫療法ベースの治療プロトコルに従っている。
論文 参考訳(メタデータ) (2023-07-26T05:54:06Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - Topic Modeling on Clinical Social Work Notes for Exploring Social
Determinants of Health Factors [0.30586855806896046]
ソーシャルワーカーによる臨床ノートは、健康決定因子(SDoH)に関するより豊富なデータソースを提供するかもしれない
我々は、カリフォルニア大学サンフランシスコ校の181,644人の患者から、0.95万の臨床ソーシャルワークノートを多種多様に同定したコーパスを回収した。
ソーシャルワークノートには、個人のSDoHについて、豊かで、ユニークで、その他に持続不可能な情報が含まれていることを実証した。
論文 参考訳(メタデータ) (2022-12-02T21:54:55Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳(メタデータ) (2022-11-10T03:02:12Z) - EOCSA: Predicting Prognosis of Epithelial Ovarian Cancer with Whole
Slide Histopathological Images [22.227676868758195]
卵巣がんは、世界中の女性を脅かす最も深刻ながんの1つである。
本研究では,病的全スライド画像(WSI)に基づいてEOC患者の予後を解析するEOCSAというディープフレームワークを設計した。
実験の結果,本フレームワークは0.980Cインデクスの最先端性能を実現していることがわかった。
論文 参考訳(メタデータ) (2022-10-11T08:40:40Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳(メタデータ) (2021-10-05T19:14:46Z) - THALIS: Human-Machine Analysis of Longitudinal Symptoms in Cancer
Therapy [4.1810068669489295]
THALISは、がん治療の症状データから視覚分析と知識発見のための環境である。
頭頸部癌患者のコホートから収集したデータについて検討した。
論文 参考訳(メタデータ) (2021-08-05T19:05:15Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳(メタデータ) (2020-11-17T15:18:38Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z)
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。