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
- 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) - Decentralised, Scalable and Privacy-Preserving Synthetic Data Generation [8.982917734231165]
我々は、リアルデータのコントリビュータが、微分プライベートな合成データ生成に自律的に参加できる新しいシステムを構築します。
私たちのソリューションは、Solid(Social Linked Data)、MPC(Secure Multi-Party Computation)、Trusted Execution Environments(TEEs)という3つのビルディングブロックに基づいています。
これらの3つの技術が、責任と信頼性のある合成データ生成における様々な課題に効果的に対処できることを示します。
論文 参考訳(メタデータ) (2023-10-30T22:27:32Z) - Integration of Domain Expert-Centric Ontology Design into the CRISP-DM
for Cyber-Physical Production Systems [63.62764375279861]
機械学習(ML)とデータマイニング(DM)の手法は、収集されたデータから複雑で隠れたパターンを抽出する上で有望であることが証明されている。
しかし、このようなデータ駆動プロジェクトは、通常、CRISPDM(Cross-Industry Standard Process for Data Mining)で実行され、データの理解と準備に要する時間の不均等さのために失敗することが多い。
このコントリビューションは、データサイエンティストがCPPSの課題に対してより迅速かつ確実に洞察を得ることができるように、統合されたアプローチを提供することを目的としている。
論文 参考訳(メタデータ) (2023-07-21T15:04:00Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
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) - Nerfstudio: A Modular Framework for Neural Radiance Field Development [60.210943944285184]
NerfstudioはNeural Radiance Fields(NeRF)メソッドを実装するためのモジュール型のPyTorchフレームワークである。
NeRFはコンピュータビジョン、グラフィックス、ロボティクスなどの幅広い応用分野において急速に成長している研究分野である。
我々のフレームワークにはNeRFベースの手法を実装するためのプラグイン・アンド・プレイコンポーネントが含まれており、研究者や実践者が彼らのプロジェクトにNeRFを組み込むのが容易になる。
論文 参考訳(メタデータ) (2023-02-08T18:58:00Z) - 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。