論文の概要: KindMed: Knowledge-Induced Medicine Prescribing Network for Medication
Recommendation
- arxiv url: http://arxiv.org/abs/2310.14552v1
- Date: Mon, 23 Oct 2023 04:15:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 22:41:29.851085
- Title: KindMed: Knowledge-Induced Medicine Prescribing Network for Medication
Recommendation
- Title(参考訳): kindmed: 薬の推奨のための知識誘導薬処方ネットワーク
- Authors: Ahmad Wisnu Mulyadi, Heung-Il Suk
- Abstract要約: 本稿では,医薬品を推奨する知識誘導型医薬品処方ネットワーク(KindMed)フレームワークを提案する。
我々は階層的シーケンス学習を利用して臨床・医学の時間的ダイナミクスを発見し、融合させ、パーソナライズされたレコメンデーションを奨励する。
安全で正確でパーソナライズされた医療を予測するために、我々は、3つの重要な側面を考慮し、関連付ける注意深い処方を考案する。
- 参考スコア(独自算出の注目度): 11.331292553789586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extensive adoption of electronic health records (EHRs) offers opportunities
for its use in various clinical analyses. We could acquire more comprehensive
insights by enriching an EHR cohort with external knowledge (e.g., standardized
medical ontology and wealthy semantics curated on the web) as it divulges a
spectrum of informative relations between observed medical codes. This paper
proposes a novel Knowledge-Induced Medicine Prescribing Network (KindMed)
framework to recommend medicines by inducing knowledge from myriad
medical-related external sources upon the EHR cohort, rendering them as medical
knowledge graphs (KGs). On top of relation-aware graph representation learning
to unravel an adequate embedding of such KGs, we leverage hierarchical sequence
learning to discover and fuse clinical and medicine temporal dynamics across
patients' historical admissions for encouraging personalized recommendations.
In predicting safe, precise, and personalized medicines, we devise an attentive
prescribing that accounts for and associates three essential aspects, i.e., a
summary of joint historical medical records, clinical condition progression,
and the current clinical state of patients. We exhibited the effectiveness of
our KindMed on the augmented real-world EHR cohorts, etching leading
performances against graph-driven competing baselines.
- Abstract(参考訳): 電子健康記録(EHR)の広範囲な採用は、様々な臨床分析においてその利用の機会を提供する。
我々は、EHRコホートを外部知識(例えば、標準化された医学オントロジーとWeb上でキュレーションされた豊かな意味論)に豊かにすることにより、より包括的な洞察を得ることができる。
本稿では,EHRコホート上に無数の医療関連外部ソースから知識を誘導し,医療知識グラフ(KG)として表現することで,医療を推奨する新しい知識誘導医療処方ネットワーク(KindMed)フレームワークを提案する。
このようなkgsを適切に組み込むための関係認識グラフ表現学習に加えて,階層的シーケンス学習を応用し,患者の過去の入院状況における臨床・医学的時間動態の検出と融合を行い,パーソナライズドレコメンデーションを奨励する。
安全で正確でパーソナライズされた医薬の予測において、我々は、患者の3つの重要な側面、すなわち、ジョイント・ヒストリー・メディカル・レコードの要約、臨床状態の進展、そして現在の臨床状態について説明し、関連付ける注意深い処方を考案する。
グラフ駆動の競合するベースラインに対する主要なパフォーマンスをエッチングし,実世界のEHRコホートに対するKindMedの有効性を示した。
関連論文リスト
- MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway
Encoding [48.348511646407026]
本稿では,知識向上と臨床パスウェイ符号化フレームワークを用いた医療対話について紹介する。
このフレームワークは、医療知識グラフを介して外部知識増強モジュールと、医療機関および医師の行動を介して、内部臨床経路をコードする。
論文 参考訳(メタデータ) (2024-03-11T10:57:45Z) - 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) - Zero-Shot Medical Information Retrieval via Knowledge Graph Embedding [27.14794371879541]
本稿では、ゼロショット医療情報検索(MIR)の新しいアプローチであるMedFusionRankを紹介する。
提案手法は、学習済みのBERTスタイルのモデルを用いて、コンパクトだが情報的なキーワードを抽出する。
これらのキーワードは、医療知識グラフ内の概念エンティティにリンクすることで、ドメイン知識に富む。
論文 参考訳(メタデータ) (2023-10-31T16:26:33Z) - Conceptualizing Machine Learning for Dynamic Information Retrieval of
Electronic Health Record Notes [6.1656026560972]
本研究は、特定の臨床コンテキストにおける注記関連性の監督源として、機械学習におけるEHR監査ログの使用を概念化したものである。
本手法は,個々のノート作成セッションでどのノートが読み込まれるかを予測するために0.963のAUCを実現できることを示す。
論文 参考訳(メタデータ) (2023-08-09T21:04:19Z) - Medication Recommendation via Domain Knowledge Informed Deep Learning [13.775390564032994]
電子カルテから薬を推奨する学習は、以前の研究で最も一般的な方法である。
本研究は,新しいtextbfDomain textbfKnowledge textbfInformed textbfNetwork (DKINet) を提案する。
論文 参考訳(メタデータ) (2023-05-31T07:22:15Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳(メタデータ) (2023-03-18T03:53:43Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳(メタデータ) (2023-02-11T18:07:11Z) - Enriching Unsupervised User Embedding via Medical Concepts [51.17532619610099]
教師なしのユーザ埋め込みは、患者を人間の監督なしに、固定長のベクターにエンコードすることを目的としている。
臨床ノートから抽出された医療概念は、患者とその臨床カテゴリ間の豊富な関係を含んでいる。
本稿では,2つの臨床コーパスからテキスト文書と医療概念を共同で活用する,非教師なしユーザ埋め込みを提案する。
論文 参考訳(メタデータ) (2022-03-20T18:54:05Z) - 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) - Demographic Aware Probabilistic Medical Knowledge Graph Embeddings of
Electronic Medical Records [0.5524804393257919]
電子医療記録(EMR)から構築された医療知識グラフ(KG)には、患者や医療機関に関する豊富な情報が含まれている。
DarLINGは、患者の人口統計を対応するハイパープレーンと関連付けることによって、医療現場に人口統計を明示的に組み込む人口統計認識医療KG埋め込みフレームワークです。
EMRデータから構築した医用KGを用いた治療薬のリンク予測によるDARlingの評価を行い,既存のKG埋め込みモデルと比較して優れた性能を示した。
論文 参考訳(メタデータ) (2021-03-22T15:45:05Z) - 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。