論文の概要: ACDNet: Attention-guided Collaborative Decision Network for Effective Medication Recommendation

• arxiv url: http://arxiv.org/abs/2307.03332v1
• Date: Thu, 6 Jul 2023 23:58:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 13:47:53.756511
• Title: ACDNet: Attention-guided Collaborative Decision Network for Effective Medication Recommendation
• Title（参考訳）: ACDNet:効果的な医薬勧告のための注意誘導協調決定ネットワーク
• Authors: Jiacong Mi, Yi Zu, Zhuoyuan Wang, Jieyue He
• Abstract要約: 本稿では,医薬品推奨のための注意誘導協調決定ネットワーク(ACDNet)を提案する。 ACDNetは、注意機構とトランスフォーマーを使用して、患者の健康状態と薬物記録を効果的にキャプチャする。 MIMIC-IIIとMIMIC-IVの2つの広範囲な医学データセットによる実験結果は、ACDNetがJaccard、PR-AUC、F1スコアで最先端モデルを上回っていることを明確に示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medication recommendation using Electronic Health Records (EHR) is challenging due to complex medical data. Current approaches extract longitudinal information from patient EHR to personalize recommendations. However, existing models often lack sufficient patient representation and overlook the importance of considering the similarity between a patient's medication records and specific medicines. Therefore, an Attention-guided Collaborative Decision Network (ACDNet) for medication recommendation is proposed in this paper. Specifically, ACDNet utilizes attention mechanism and Transformer to effectively capture patient health conditions and medication records by modeling their historical visits at both global and local levels. ACDNet also employs a collaborative decision framework, utilizing the similarity between medication records and medicine representation to facilitate the recommendation process. The experimental results on two extensive medical datasets, MIMIC-III and MIMIC-IV, clearly demonstrate that ACDNet outperforms state-of-the-art models in terms of Jaccard, PR-AUC, and F1 score, reaffirming its superiority. Moreover, the ablation experiments provide solid evidence of the effectiveness of each module in ACDNet, validating their contribution to the overall performance. Furthermore, a detailed case study reinforces the effectiveness of ACDNet in medication recommendation based on EHR data, showcasing its practical value in real-world healthcare scenarios.
• Abstract（参考訳）: 複雑な医療データのためにElectronic Health Records(EHR)を用いた治療勧告は困難である。 最近のアプローチでは、患者eerから縦断情報を抽出して推奨事項をパーソナライズする。 しかし、既存のモデルは十分な患者表現を欠くことが多く、患者の薬の記録と特定の薬との類似性を考慮することの重要性を見落としている。 そこで本論文では,医薬品推奨のための注意誘導協調決定ネットワーク(ACDNet)を提案する。 具体的には、adcnetはアテンション機構とトランスフォーマーを使用して、グローバルレベルとローカルレベルの両方での歴史的な訪問をモデル化し、患者の健康状態と薬物記録を効果的に捉えている。 ACDNetはまた、医薬品記録と医薬品表現の類似性を利用して推奨プロセスを促進する共同決定フレームワークも採用している。 MIMIC-IIIとMIMIC-IVの2つの広範囲な医学データセット実験の結果、ACDNetはJaccard、PR-AUC、F1スコアで最先端モデルよりも優れており、その優位性を再確認している。 さらに, アブレーション実験により, acdnetにおける各モジュールの有効性の確証が得られ, 全体的な性能への寄与が確認された。 さらに、詳細なケーススタディでは、ERHデータに基づく医薬品推奨におけるACDNetの有効性を強化し、現実の医療シナリオにおけるその実用的価値を示す。

関連論文リスト

• DrFuse: Learning Disentangled Representation for Clinical Multi-Modal Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
  そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。 モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。 実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
  論文  参考訳（メタデータ） (2024-03-10T12:41:34Z)
• Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation [0.0]
  NECHOは,階層的正規化を伴う新しい医用コード中心のマルチモーダル・コントラスト学習フレームワークである。 まず, 医用コード, 人口統計, 臨床ノートを含む多面的情報をネットワーク設計を用いて統合する。 また,EHRデータの階層構造を学習するために,医療オントロジーにおける親レベル情報を用いてモダリティ固有のエンコーダを正規化する。
  論文  参考訳（メタデータ） (2024-01-22T01:58:32Z)
• ALGNet: Attention Light Graph Memory Network for Medical Recommendation System [6.148777307966648]
  ALGNetは、医薬品の推奨を高めるための新しいモデルである。 提案手法をMIMIC-IIIデータセット上で評価し,推奨精度とDDI回避率においていくつかのベースラインを上回っていることを示す。 この結果から, ALGNetは計算量が少なく, 解釈性も向上し, 優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-12-09T00:46:37Z)
• ICDBigBird: A Contextual Embedding Model for ICD Code Classification [71.58299917476195]
  文脈単語埋め込みモデルは、複数のNLPタスクにおいて最先端の結果を得た。 ICDBigBirdは、Graph Convolutional Network(GCN)を統合するBigBirdベースのモデルである。 ICD分類作業におけるBigBirdモデルの有効性を実世界の臨床データセットで実証した。
  論文  参考訳（メタデータ） (2022-04-21T20:59:56Z)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)
• MeSIN: Multilevel Selective and Interactive Network for Medication Recommendation [9.173903754083927]
  薬物推奨のためのマルチレベル選択型対話型ネットワーク(MeSIN)を提案する。 まず、異なる医療コードの埋め込みに柔軟な注意スコアを割り当てるために注意選択モジュール(ASM)が適用されます。 第二に、EHRデータにおける多レベルの医療シーケンスの相互作用を強化するために、新しい対話型長期メモリネットワーク(InLSTM)を組み込む。
  論文  参考訳（メタデータ） (2021-04-22T12:59:50Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• PREMIER: Personalized REcommendation for Medical prescrIptions from Electronic Records [8.365167718547296]
  われわれは、PreMIERと呼ばれる2段階の注意に基づくパーソナライズド医薬品レコメンデーションシステムを設計する。 本システムでは,患者に対する副作用を最小限に抑えるため,薬物間の相互作用を考慮に入れている。 MIMIC-IIIと独自の外来データセットの実験結果から、PreMIERは最先端の医薬品推奨システムより優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-28T04:48:32Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。