Fugu-MT 論文翻訳(概要): SHAPE: A Sample-adaptive Hierarchical Prediction Network for Medication Recommendation

論文の概要: SHAPE: A Sample-adaptive Hierarchical Prediction Network for Medication Recommendation

arxiv url: http://arxiv.org/abs/2309.05675v1
Date: Sat, 9 Sep 2023 08:28:04 GMT
ステータス: 処理完了
システム内更新日: 2023-09-13 15:49:40.254720
Title: SHAPE: A Sample-adaptive Hierarchical Prediction Network for Medication Recommendation
Title（参考訳）: SHAPE:医療勧告のためのサンプル適応階層型予測ネットワーク
Authors: Sicen Liu, Xiaolong Wang, JIngcheng Du, Yongshuai Hou, Xianbing Zhao, Hui Xu, Hui Wang, Yang Xiang, Buzhou Tang
Abstract要約: 本稿では,SHAPE(Sample-adaptive Hierarchical medicAtion Prediction nEtwork)を提案する。具体的には、訪問レベルの表現を得るために、医療イベントにおける関係を符号化する、コンパクトなビジット・セット・エンコーダを設計する。モデルに可変訪問長をモデル化する能力を与えるため,各標本の難易度を訪問長によって自動的に割り当てるソフトカリキュラム学習手法を提案する。
参考スコア（独自算出の注目度）: 22.899946140205962
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Effectively medication recommendation with complex multimorbidity conditions is a critical task in healthcare. Most existing works predicted medications based on longitudinal records, which assumed the information transmitted patterns of learning longitudinal sequence data are stable and intra-visit medical events are serialized. However, the following conditions may have been ignored: 1) A more compact encoder for intra-relationship in the intra-visit medical event is urgent; 2) Strategies for learning accurate representations of the variable longitudinal sequences of patients are different. In this paper, we proposed a novel Sample-adaptive Hierarchical medicAtion Prediction nEtwork, termed SHAPE, to tackle the above challenges in the medication recommendation task. Specifically, we design a compact intra-visit set encoder to encode the relationship in the medical event for obtaining visit-level representation and then develop an inter-visit longitudinal encoder to learn the patient-level longitudinal representation efficiently. To endow the model with the capability of modeling the variable visit length, we introduce a soft curriculum learning method to assign the difficulty of each sample automatically by the visit length. Extensive experiments on a benchmark dataset verify the superiority of our model compared with several state-of-the-art baselines.
Abstract（参考訳）: 複雑な多病原性条件による効果的な医薬品推奨は、医療において重要な課題である。学習縦列データの情報伝達パターンが安定しており、訪問内医療イベントがシリアライズされていると仮定した、縦断記録に基づく投薬を予測する既存の著作物は多い。しかし、以下の条件は無視される可能性がある。 1) 訪問内医療イベントにおけるよりコンパクトなイントラリレーシップエンコーダが緊急である。 2)患者の可変長手列の正確な表現を学習するための方策は異なる。本稿では, 医薬品推奨課題の課題に取り組むため, サンプル適応型階層型医薬品予測ネットワーク「形状」を提案する。具体的には、訪問レベル表現を得るための医療イベントにおける関係を符号化するコンパクトなビジター内エンコーダを設計し、ビジター間縦エンコーダを開発し、患者レベルの縦表現を効率的に学習する。可変訪問長をモデル化する能力をモデルに付与するために,各サンプルの難易度を訪問長で自動的に割り当てるソフトカリキュラム学習手法を提案する。ベンチマークデータセットの大規模な実験は、いくつかの最先端のベースラインと比較して、我々のモデルの優位性を検証する。

関連論文リスト

Sequential Inference of Hospitalization Electronic Health Records Using Probabilistic Models [3.2988476179015005]
本研究では,入院電子健康記録(EHR)データに含まれる複数の任意長配列に対する確率的教師なしモデルの設計を行う。このモデルは潜在変数構造を使用し、薬物、診断、実験室のテスト、神経学的評価、薬物の間の複雑な関係を捉えている。推論アルゴリズムは、部分的データを用いて、その長さや特定の値の存在を含む完全なシーケンスの特性を推測する。
論文参考訳（メタデータ） (2024-03-27T21:06:26Z)
Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文参考訳（メタデータ） (2023-10-28T12:08:03Z)
TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文参考訳（メタデータ） (2023-07-19T12:35:09Z)
Sequential Diagnosis Prediction with Transformer and Ontological Representation [35.88195694025553]
本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。 2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
論文参考訳（メタデータ） (2021-09-07T13:09:55Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Longitudinal Variational Autoencoder [1.4680035572775534]
不足値を含む高次元データを解析するための一般的なアプローチは、変分オートエンコーダ(VAE)を用いた低次元表現を学習することである。標準的なVAEは、学習した表現はi.d.であり、データサンプル間の相関を捉えることができないと仮定する。本稿では,多出力加法的ガウス過程(GP)を用いて,構造化された低次元表現を学習するVAEの能力を拡張した縦型VAE(L-VAE)を提案する。我々の手法は時間変化の共有効果とランダム効果の両方に同時に対応でき、構造化された低次元表現を生成する。
論文参考訳（メタデータ） (2020-06-17T10:30:14Z)
Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文参考訳（メタデータ） (2020-05-15T06:57:54Z)
Comparative Visual Analytics for Assessing Medical Records with Sequence Embedding [17.752580010414228]
患者記録の比較研究を支援する視覚分析システムを開発した。カリフォルニア大学デイビス校の新生児集中治療ユニットから得られた実世界のデータセットを用いたケーススタディにより, 設計とシステムの有効性を実証した。
論文参考訳（メタデータ） (2020-02-18T19:29:30Z)
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。