論文の概要: Extreme Multilabel Classification for Specialist Doctor Recommendation
with Implicit Feedback and Limited Patient Metadata
- arxiv url: http://arxiv.org/abs/2308.11022v1
- Date: Mon, 21 Aug 2023 20:23:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 14:04:03.836411
- Title: Extreme Multilabel Classification for Specialist Doctor Recommendation
with Implicit Feedback and Limited Patient Metadata
- Title（参考訳）: インシシットフィードバックと限定患者メタデータを用いた専門医推薦のための極端多ラベル分類
- Authors: Filipa Valdeira, Stevo Rackovi\'c, Valeria Danalachi, Qiwei Han,
Cl\'audia Soares
- Abstract要約: レコメンデーションシステム(Recommendation Systems, RS)は、医師紹介の問題に対処するためにしばしば用いられる。
本研究は, 診療紹介に焦点をあて, 新来の患者と相談歴のある患者の両方に対して, 医師の専門職における推薦を予測することを目的としている。
テキストベースの分類タスクで一般的に使用されるExtreme Multilabel Classification (XML)を使用して、利用可能な機能をエンコードし、異なるシナリオを探索します。
- 参考スコア（独自算出の注目度）: 1.4499463058550681
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommendation Systems (RS) are often used to address the issue of medical
doctor referrals. However, these systems require access to patient feedback and
medical records, which may not always be available in real-world scenarios. Our
research focuses on medical referrals and aims to predict recommendations in
different specialties of physicians for both new patients and those with a
consultation history. We use Extreme Multilabel Classification (XML), commonly
employed in text-based classification tasks, to encode available features and
explore different scenarios. While its potential for recommendation tasks has
often been suggested, this has not been thoroughly explored in the literature.
Motivated by the doctor referral case, we show how to recast a traditional
recommender setting into a multilabel classification problem that current XML
methods can solve. Further, we propose a unified model leveraging patient
history across different specialties. Compared to state-of-the-art RS using the
same features, our approach consistently improves standard recommendation
metrics up to approximately $10\%$ for patients with a previous consultation
history. For new patients, XML proves better at exploiting available features,
outperforming the benchmark in favorable scenarios, with particular emphasis on
recall metrics. Thus, our approach brings us one step closer to creating more
effective and personalized doctor referral systems. Additionally, it highlights
XML as a promising alternative to current hybrid or content-based RS, while
identifying key aspects to take into account when using XML for recommendation
tasks.
- Abstract（参考訳）: レコメンデーションシステム(Recommendation Systems, RS)は、医師紹介の問題に対処するためにしばしば用いられる。
しかし、これらのシステムは患者からのフィードバックや医療記録へのアクセスを必要としており、現実のシナリオでは必ずしも利用できない。
本研究は,新しい患者と相談歴のある患者の両方に対して,医師の異なる専門分野の推奨を予測することを目的としている。
テキストベースの分類タスクで一般的に使用されるExtreme Multilabel Classification (XML)を使用して、利用可能な機能をエンコードし、異なるシナリオを探索します。
レコメンデーションタスクへの可能性はしばしば示唆されているが、文献では詳しく検討されていない。
本稿では,従来のレコメンデーション設定を,従来のXMLメソッドが解決可能なマルチラベル分類問題に再キャストする方法を示す。
さらに,異なる専門分野の患者履歴を活用する統一モデルを提案する。
同じ特徴を持つ最先端RSと比較して,従来の相談歴のある患者に対しては,標準推奨基準を約10\%まで改善する。
新しい患者にとって、XMLは利用可能な機能をうまく活用し、特にリコールメトリクスに重点を置いて、好ましいシナリオでベンチマークを上回ります。
したがって、私たちのアプローチは、より効果的でパーソナライズされた医師紹介システムの構築に一歩近づいたのです。
さらに、現在のハイブリッドまたはコンテンツベースのRSに代わる有望な選択肢としてXMLを強調し、レコメンデーションタスクにXMLを使用する際に考慮すべき重要な側面を特定します。
関連論文リスト
- Contrastive Learning on Medical Intents for Sequential Prescription Recommendation [7.780844394603662]
Attentive Recommendation with Contrasted Intents (ARCI) は、異なるが共存する時間的経路を、共通の訪問シーケンスで捉えるように設計されている。
評価基準と分類基準の両方を用いて,2つの実世界のデータセットを処方勧告タスクとして実験した。
論文 参考訳（メタデータ） (2024-08-13T20:10:28Z) - 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) - Transformer-based classification of user queries for medical consultancy
with respect to expert specialization [4.124390946636936]
本稿では,RuBERTモデルを用いた医療相談分野におけるユーザからの問い合わせを分類するための革新的な戦略を提案する。
我々は,クエリと特定の医療専門知識の正確な対応を容易にする様々なデータセット上で,事前学習したRuBERTモデルを微調整した。
論文 参考訳（メタデータ） (2023-09-26T04:36:12Z) - RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19
Assessment in Primary Care [45.43645878061283]
本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。
私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。
本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
論文 参考訳（メタデータ） (2023-06-17T23:35:51Z) - A Benchmark for Automatic Medical Consultation System: Frameworks, Tasks
and Datasets [70.32630628211803]
本稿では,医師と患者との対話理解とタスク指向インタラクションという,医療相談の自動化を支援する2つの枠組みを提案する。
マルチレベルな微粒なアノテーションを付加した新しい大規模医療対話データセットが導入された。
本稿では,各タスクに対するベンチマーク結果のセットを報告し,データセットのユーザビリティを示し,今後の研究のベースラインを設定する。
論文 参考訳（メタデータ） (2022-04-19T16:43:21Z) - 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) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳（メタデータ） (2021-05-13T04:14:35Z) - 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)
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。