Fugu-MT 論文翻訳(概要): Clinical Trial Recommendations Using Semantics-Based Inductive Inference and Knowledge Graph Embeddings

論文の概要: Clinical Trial Recommendations Using Semantics-Based Inductive Inference and Knowledge Graph Embeddings

arxiv url: http://arxiv.org/abs/2309.15979v1
Date: Wed, 27 Sep 2023 19:54:07 GMT
ステータス: 処理完了
システム内更新日: 2023-09-29 18:57:25.690748
Title: Clinical Trial Recommendations Using Semantics-Based Inductive Inference and Knowledge Graph Embeddings
Title（参考訳）: 意味論的推論と知識グラフ埋め込みを用いた臨床試験
Authors: Murthy V. Devarakonda, Smita Mohanty, Raja Rao Sunkishala, Nag Mallampalli, and Xiong Liu
Abstract要約: 本稿では,臨床治験の知識グラフに基づいて学習した神経埋め込みに基づく新しい勧告手法を提案する。以上の結果から,本提案手法は実際の臨床試験とテキストの類似性から,70%～83%の関連性スコアを達成できた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Designing a new clinical trial entails many decisions, such as defining a cohort and setting the study objectives to name a few, and therefore can benefit from recommendations based on exhaustive mining of past clinical trial records. Here, we propose a novel recommendation methodology, based on neural embeddings trained on a first-of-a-kind knowledge graph of clinical trials. We addressed several important research questions in this context, including designing a knowledge graph (KG) for clinical trial data, effectiveness of various KG embedding (KGE) methods for it, a novel inductive inference using KGE, and its use in generating recommendations for clinical trial design. We used publicly available data from clinicaltrials.gov for the study. Results show that our recommendations approach achieves relevance scores of 70%-83%, measured as the text similarity to actual clinical trial elements, and the most relevant recommendation can be found near the top of list. Our study also suggests potential improvement in training KGE using node semantics.
Abstract（参考訳）: 新しい臨床試験を設計するには、コホートの定義や研究目標の設定など、多くの決定が必要であるため、過去の臨床試験記録の徹底的なマイニングに基づく推奨の恩恵を受けることができる。本稿では,臨床試験の最初の知識グラフで学習した神経組込みに基づく新しい推薦手法を提案する。本研究は, 臨床試験データのための知識グラフ(kg)の設計, 各種kg埋め込み法(kge)の有効性, kgeを用いた新しい帰納的推論法, 臨床試験設計のための勧告作成におけるその活用など, 重要な研究課題に対処した。この研究には、臨床試験の公開データを用いた。以上の結果から,提案手法は,実際の治験要素のテキスト類似度として測定された70%-83%の妥当性スコアを達成し,最も関連性の高い推奨項目をリストの最上位に示すことができる。本研究は,ノードセマンティクスを用いたKGEトレーニングの改善の可能性についても示唆した。

関連論文リスト

Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
論文参考訳（メタデータ） (2024-10-31T19:48:50Z)
AutoTrial: Prompting Language Models for Clinical Trial Design [53.630479619856516]
本稿では,言語モデルを用いた臨床検査基準の設計を支援するAutoTrialという手法を提案する。 70K以上の臨床試験で、AutoTrialが高品質な基準テキストを生成することが確認された。
論文参考訳（メタデータ） (2023-05-19T01:04:16Z)
Customizing Knowledge Graph Embedding to Improve Clinical Study Recommendation [0.0]
グラフ埋め込みをカスタマイズするアルゴリズムフレームワークであるCustom2vecを提案する。カスタムノードとリンクを追加することで、ユーザの好みをキャプチャする。非小細胞肺癌に関する臨床試験におけるCustom2vecの有効性を実証した。
論文参考訳（メタデータ） (2022-12-28T21:41:25Z)
This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-16T10:12:07Z)
A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
論文参考訳（メタデータ） (2022-08-09T03:49:52Z)
Cross-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
論文参考訳（メタデータ） (2022-08-03T08:33:21Z)
Semi-self-supervised Automated ICD Coding [2.449909275410288]
臨床用テキストノート (CTN) には、医師が患者を診察しインタビューする際に、構造化されていない自由テキスト形式で書かれた推論プロセスが含まれている。本稿では,アイスランドのCTNの希少な注釈付きデータセットを,機械学習型計算で半自己管理的に拡張する方法を提案する。我々は、注釈付きCTNの小さなセットでニューラルネットワークをトレーニングし、アノテーションなしCTNのセットから臨床特徴を抽出する。
論文参考訳（メタデータ） (2022-05-20T11:12:54Z)
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文参考訳（メタデータ） (2021-10-05T19:14:46Z)
Clinical Trial Information Extraction with BERT [0.0]
臨床試験テキストから情報抽出を行うためのCT-BERTというフレームワークを提案する。我々は、資格基準を抽出するために、名前付きエンティティ認識(NER)モデルを訓練した。臨床試験NLPにおけるCT-BERTの有用性について検討した。
論文参考訳（メタデータ） (2021-09-11T17:15:10Z)
Predicting Clinical Trial Results by Implicit Evidence Integration [40.80948875051806]
新規な臨床試験結果予測(CTRP)タスクを導入する。 CTRPフレームワークでは、モデルがPICO形式の臨床試験の提案を受け、その背景を入力として、その結果を予測する。 PICOを暗黙的に含む医学文献から大規模非構造化文を引用し,その結果を証拠とした。
論文参考訳（メタデータ） (2020-10-12T12:25:41Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。