論文の概要: Interoperable synthetic health data with SyntHIR to enable the development of CDSS tools

• arxiv url: http://arxiv.org/abs/2308.02613v1
• Date: Fri, 4 Aug 2023 14:02:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 19:36:15.318198
• Title: Interoperable synthetic health data with SyntHIR to enable the development of CDSS tools
• Title（参考訳）: SyntHIRと相互運用可能な合成健康データを用いたCDSSツールの開発
• Authors: Pavitra Chauhan, Mohsen Gamal Saad Askar, Bj{\o}rn Fjukstad, Lars Ailo Bongo, Edvard Pedersen
• Abstract要約: 我々は,SyntHIRと呼ばれるシステムにおいて,CDSSツール開発のための合成EHRデータの生成と利用のためのアーキテクチャを提案する。 ノルウェー患者登録(NPR)とノルウェー患者処方(NorPD)のデータを用いた機械学習CDSSツールの開発によるSyntHIRの有用性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is a great opportunity to use high-quality patient journals and health registers to develop machine learning-based Clinical Decision Support Systems (CDSS). To implement a CDSS tool in a clinical workflow, there is a need to integrate, validate and test this tool on the Electronic Health Record (EHR) systems used to store and manage patient data. However, it is often not possible to get the necessary access to an EHR system due to legal compliance. We propose an architecture for generating and using synthetic EHR data for CDSS tool development. The architecture is implemented in a system called SyntHIR. The SyntHIR system uses the Fast Healthcare Interoperability Resources (FHIR) standards for data interoperability, the Gretel framework for generating synthetic data, the Microsoft Azure FHIR server as the FHIR-based EHR system and SMART on FHIR framework for tool transportability. We demonstrate the usefulness of SyntHIR by developing a machine learning-based CDSS tool using data from the Norwegian Patient Register (NPR) and Norwegian Patient Prescriptions (NorPD). We demonstrate the development of the tool on the SyntHIR system and then lift it to the Open DIPS environment. In conclusion, SyntHIR provides a generic architecture for CDSS tool development using synthetic FHIR data and a testing environment before implementing it in a clinical setting. However, there is scope for improvement in terms of the quality of the synthetic data generated. The code is open source and available at https://github.com/potter-coder89/SyntHIR.git.
• Abstract（参考訳）: 高品質な患者雑誌や医療記録を機械学習ベースの臨床意思決定支援システム(CDSS)の開発に活用する絶好の機会がある。 臨床ワークフローでCDSSツールを実装するには、患者データを格納、管理するために使用されるElectronic Health Record (EHR)システム上で、このツールを統合し、検証し、テストする必要がある。 しかし、法律上の遵守により、ehlシステムに必要なアクセスを得ることは、しばしば不可能である。 本稿では,CDSSツール開発のための合成EHRデータの生成と利用のためのアーキテクチャを提案する。 このアーキテクチャはSyntHIRと呼ばれるシステムで実装されている。 SyntHIRシステムでは、データ相互運用性のためのFHIR(Fast Healthcare Interoperability Resources)標準、合成データを生成するGretelフレームワーク、FHIRベースのEHRシステムとしてのMicrosoft Azure FHIRサーバ、ツールトランスポートビリティのためのSMARTを使用している。 ノルウェー患者登録 (NPR) とノルウェー患者処方 (NorPD) のデータを用いて, 機械学習によるCDSSツールの開発により, シントHIRの有用性を実証した。 我々は、SyntHIRシステム上でツールの開発を実演し、それをOpen DIPS環境に持ち上げる。 結論として、SyntHIRはCDSSツール開発のための汎用アーキテクチャを、臨床環境で実装する前に合成FHIRデータとテスト環境を用いて提供する。 しかし、生成された合成データの品質に関しては改善の余地がある。 ソースコードはhttps://github.com/potter-coder89/SyntHIR.gitで公開されている。

関連論文リスト

• Synthetic Data Generation with Large Language Models for Personalized Community Question Answering [47.300506002171275]
  既存のデータセットであるSE-PQAに基づいてSy-SE-PQAを構築します。 以上の結果から,LCMはユーザのニーズに合わせてデータを生成する可能性が高いことが示唆された。 合成データは、たとえ生成されたデータが誤った情報を含むとしても、人書きのトレーニングデータを置き換えることができる。
  論文  参考訳（メタデータ） (2024-10-29T16:19:08Z)
• NFDI4Health workflow and service for synthetic data generation, assessment and risk management [0.0]
  この課題に対する有望な解決策は、合成データ生成である。 この手法は、実際のデータの統計特性を模倣する全く新しいデータセットを作成する。 本稿では,ドイツのNFDI4Healthプロジェクト(NFDI4Health)の文脈で開発されたワークフローとサービスについて述べる。
  論文  参考訳（メタデータ） (2024-08-08T14:08:39Z)
• Robust Neural Information Retrieval: An Adversarial and Out-of-distribution Perspective [111.58315434849047]
  ニューラルネットワーク検索モデル(IR)モデルの堅牢性は、大きな注目を集めている。 我々は、IRの堅牢性を多面的概念とみなし、敵攻撃、アウト・オブ・ディストリビューション(OOD)シナリオ、パフォーマンスのばらつきに対してその必要性を強調している。 我々は,既存の手法,データセット,評価指標について詳細な議論を行い,大規模言語モデルの時代における課題や今後の方向性に光を当てる。
  論文  参考訳（メタデータ） (2024-07-09T16:07:01Z)
• Fairness-Optimized Synthetic EHR Generation for Arbitrary Downstream Predictive Tasks [2.089191490381739]
  本稿では,実EHRデータと整合した合成EHRデータを生成するパイプラインを提案する。 下流タスクと2つの異なるEHRデータセットにまたがるパイプラインの有効性を実証する。 提案したパイプラインは、ヘルスAIアプリケーションの公正性に対処する既存のツールボックスに、広く適用可能な補完ツールを追加することができる。
  論文  参考訳（メタデータ） (2024-06-04T17:29:21Z)
• Skip the Benchmark: Generating System-Level High-Level Synthesis Data using Generative Machine Learning [8.416553728391309]
  高レベル合成(HLS)設計空間探索(DSE)は、HLSプロセスにおいて最適なハードウェアソリューションを探索するための広く受け入れられているアプローチである。 いくつかのHLSベンチマークとデータセットは、研究コミュニティが彼らの方法論を評価するために利用できる。 本稿では,複雑なシステムレベルのHLS DSE実験を支援するのに十分頑健な合成データを生成するために,生成機械学習を用いた新しいアプローチであるVaeganを提案する。
  論文  参考訳（メタデータ） (2024-04-23T05:32:22Z)
• HAPI-FHIR Server Implementation to Enhancing Interoperability among Primary Care Health Information Systems in Sri Lanka: Review of the Technical Use Case [0.0]
  このレビューは、デジタルヘルスにおける相互運用性の重要な役割を強調し、標準化されたフレームワークを提唱する。 技術的、セマンティック、プロセスの問題に対処するFHIR(Fast Healthcare Resources)サーバの実装に重点を置いている。
  論文  参考訳（メタデータ） (2024-02-05T09:48:46Z)
• EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
  現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。 我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• Synthcity: facilitating innovative use cases of synthetic data in different data modalities [86.52703093858631]
  Synthcityは、MLフェアネス、プライバシ、拡張における合成データの革新的なユースケースのための、オープンソースのソフトウェアパッケージである。 Synthcityは、実践者に対して、合成データにおける最先端の研究とツールへの単一のアクセスポイントを提供する。
  論文  参考訳（メタデータ） (2023-01-18T14:49:54Z)
• Sionna: An Open-Source Library for Next-Generation Physical Layer Research [64.77840557164266]
  Sionnaは、レイカーネルに基づいたリンクレベルシミュレーションのためのGPUアクセラレーションされたオープンソースライブラリである。 Sionnaは、ベンチマークやエンドツーエンドのパフォーマンス評価に使用できる、注意深くテストされた最先端のアルゴリズムを幅広く実装している。
  論文  参考訳（メタデータ） (2022-03-22T16:31:44Z)
• Serverless on FHIR: Deploying machine learning models for healthcare on the cloud [3.383942690870476]
  デジタルヘルスのためのクラウドベースのモデルデプロイメントのための機能的分類法と4層アーキテクチャを導入する。 このアーキテクチャをServerless on FHIRと呼び、EMRや可視化ツールといった下流システムで使用可能なデジタルヘルスアプリケーションをデプロイするための標準として提案します。
  論文  参考訳（メタデータ） (2020-06-08T16:57:30Z)

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。