論文の概要: An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records
- arxiv url: http://arxiv.org/abs/2310.10187v2
- Date: Sat, 24 May 2025 15:19:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:41.235231
- Title: An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records
- Title（参考訳）: 電子カルテからの院内受注予測のための解釈型深層学習フレームワーク
- Authors: Fabio Azzalini, Tommaso Dolci, Marco Vagaggini,
- Abstract要約: 本研究では,未計画の病院入退院を予測するための新しい,解釈可能な深層学習フレームワークを提案する。
実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題に関する枠組みを検証した。
我々のソリューションは、予測精度で従来の機械学習モデルより優れ、同時により解釈可能な結果を提供する。
- 参考スコア（独自算出の注目度）: 1.9185059111021852
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increasing availability of patient data, modern medicine is shifting towards prospective healthcare. Electronic health records offer a variety of information useful for clinical patient characterization and the development of predictive models, given that similar medical histories often lead to analogous health progressions. One application is the prediction of unplanned hospital readmissions, an essential task for reducing healthcare costs and improving patient outcomes. While predictive models demonstrate strong performances especially with deep learning approaches, they are often criticized for their lack of interpretability, a critical requirement in the medical domain where incorrect predictions may have severe consequences for patient safety. In this paper, we propose a novel and interpretable deep learning framework for predicting unplanned hospital readmissions, supported by NLP findings on word embeddings and by ConvLSTM neural networks for better handling temporal data. We validate the framework on two predictive tasks for hospital readmission within 30 and 180 days, using real-world data. Additionally, we introduce and evaluate a model-dependent technique designed to enhance result interpretability for medical professionals. Our solution outperforms traditional machine learning models in prediction accuracy while simultaneously providing more interpretable results.
- Abstract（参考訳）: 患者データの増加に伴い、現代医学は将来的な医療へとシフトしつつある。
電子的な健康記録は、臨床患者の特徴付けや予測モデルの開発に有用な様々な情報を提供する。
1つの応用は、医療費の削減と患者の成果を改善するための重要な課題である、未計画の病院入院の予測である。
予測モデルは特に深層学習のアプローチにおいて強い性能を示すが、医療領域における誤った予測が患者の安全に重大な影響を及ぼす可能性のある重要な要件である解釈可能性の欠如に対してしばしば批判される。
本稿では, 単語埋め込みに関するNLPの知見と, 時間的データを扱うためのConvLSTMニューラルネットワークを用いて, 非計画的病院入退院予測のための, 新規かつ解釈可能なディープラーニングフレームワークを提案する。
実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題に関する枠組みを検証した。
さらに,医療従事者を対象とした結果解釈能力の向上を目的としたモデル依存手法の導入と評価を行った。
我々のソリューションは、予測精度で従来の機械学習モデルより優れ、同時により解釈可能な結果を提供する。
関連論文リスト
- MPLite: Multi-Aspect Pretraining for Mining Clinical Health Records [13.4100093553808]
本稿では,医療概念の表現性を高めるために,軽量ニューラルネットワークを用いたマルチアスペクトプレトレーニングとラボの結果を利用する新しいフレームワークMPLiteを提案する。
我々は、実験結果に基づいて医療コードを予測し、特徴の複数の側面を融合させることで堅牢な予測を保証する事前学習モジュールを設計する。
論文 参考訳（メタデータ） (2024-11-17T19:43:10Z) - A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis [3.5280004326441365]
PatWay-Netは、敗血症患者の集中治療室への入院の予測を解釈するために設計されたMLフレームワークである。
本稿では,新しいタイプのリカレントニューラルネットワークを提案し,それを多層パーセプトロンと組み合わせて患者経路を処理する。
我々は、患者の健康状態、予測結果、関連するリスクを視覚化する包括的ダッシュボードを通じて、その実用性を実証する。
論文 参考訳（メタデータ） (2024-05-21T20:31:42Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳（メタデータ） (2022-11-13T01:07:23Z) - 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) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - Predictive Modeling of Hospital Readmission: Challenges and Solutions [11.954966895950163]
退院予測とは、退院後30日または90日後に患者が退院する確率を予測するために、歴史的な医療データからモデルを学ぶ研究である。
その動機は、医療提供者がより良い治療と退院戦略を提供し、病院の入院率を下げ、最終的には医療費を下げることである。
疾患や医療のエコシステムが本質的に複雑化しているため、病院の入院のモデル化は多くの課題に直面している。
論文 参考訳（メタデータ） (2021-06-16T00:00:27Z) - Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal
Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。
我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。
本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文 参考訳（メタデータ） (2021-06-09T00:42:44Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - 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。