Fugu-MT 論文翻訳(概要): MuST: Multimodal Spatiotemporal Graph-Transformer for Hospital Readmission Prediction

論文の概要: MuST: Multimodal Spatiotemporal Graph-Transformer for Hospital Readmission Prediction

arxiv url: http://arxiv.org/abs/2311.07608v1
Date: Sat, 11 Nov 2023 11:14:07 GMT
ステータス: 処理完了
システム内更新日: 2023-11-15 16:55:19.681073
Title: MuST: Multimodal Spatiotemporal Graph-Transformer for Hospital Readmission Prediction
Title（参考訳）: 病院入室予測のためのマルチモーダル時空間グラフ変換器
Authors: Yan Miao, Lequan Yu
Abstract要約: 本研究は,病院入退院予測のためのMultitemporal Spatio Graph-Transformer (MuST) と呼ばれる新しいモデルを提案する。グラフコンネットワークと時間変換器を用いることで,ERHおよび胸部X線写真における空間的および時間的依存関係を効果的に捉えることができる。次に、上記の2つのモードの特徴と、事前訓練されたドメイン固有変換器によって抽出された臨床メモの特徴を組み合わせ、融合変換器を提案する。
参考スコア（独自算出の注目度）: 23.303439847592735
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hospital readmission prediction is considered an essential approach to decreasing readmission rates, which is a key factor in assessing the quality and efficacy of a healthcare system. Previous studies have extensively utilized three primary modalities, namely electronic health records (EHR), medical images, and clinical notes, to predict hospital readmissions. However, the majority of these studies did not integrate information from all three modalities or utilize the spatiotemporal relationships present in the dataset. This study introduces a novel model called the Multimodal Spatiotemporal Graph-Transformer (MuST) for predicting hospital readmissions. By employing Graph Convolution Networks and temporal transformers, we can effectively capture spatial and temporal dependencies in EHR and chest radiographs. We then propose a fusion transformer to combine the spatiotemporal features from the two modalities mentioned above with the features from clinical notes extracted by a pre-trained, domain-specific transformer. We assess the effectiveness of our methods using the latest publicly available dataset, MIMIC-IV. The experimental results indicate that the inclusion of multimodal features in MuST improves its performance in comparison to unimodal methods. Furthermore, our proposed pipeline outperforms the current leading methods in the prediction of hospital readmissions.
Abstract（参考訳）: 病院の入院率予測は,医療システムの品質と有効性を評価する上で重要な要因である,入院率の低下に不可欠なアプローチと考えられる。これまでの研究では、電子健康記録(ehr)、医療画像、臨床ノートの3つの主要な特徴を利用して病院の入院を予測している。しかし,これらの研究の大部分は,3つのモーダルからの情報の統合や,データセットに存在する時空間的関係の活用は行わなかった。本研究は,病院入退院予測のためのMultimodal Spatiotemporal Graph-Transformer (MuST) と呼ばれる新しいモデルを提案する。グラフ畳み込みネットワークと時間変換器を用いることで,ERHや胸部X線撮影における空間的および時間的依存関係を効果的に捉えることができる。次に,前述した2つのモードの時空間的特徴と,事前学習したドメイン固有変換器から抽出した臨床メモの特徴を組み合わせた融合変圧器を提案する。提案手法の有効性を,最新の公開データセットMIMIC-IVを用いて評価した。実験結果から, MuST にマルチモーダルな特徴を組み込むことで, 単調な手法と比較して性能が向上することが示唆された。さらに,本研究のパイプラインは,院内寛容の予測において,現在の先行手法よりも優れていた。

関連論文リスト

Static and multivariate-temporal attentive fusion transformer for readmission risk prediction [9.059101159859818]
ICU患者の短期的寛解を予測するため, SMTAFormer を新たに提案する。提案手法の精度は最大86.6%であり,受信機動作特性曲線(AUC)の面積は最大0.717である。
論文参考訳（メタデータ） (2024-07-15T03:42:44Z)
Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
EMERGE: Integrating RAG for Improved Multimodal EHR Predictive Modeling [22.94521527609479]
EMERGEは、マルチモーダルEHR予測モデリングの強化を目的とした、検索拡張生成駆動フレームワークである。提案手法は,大規模言語モデルにより時系列データと臨床メモの両方からエンティティを抽出する。抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
論文参考訳（メタデータ） (2024-05-27T10:53:15Z)
MPRE: Multi-perspective Patient Representation Extractor for Disease Prediction [3.914545513460964]
疾患予測のための多視点患者表現エクストラクタ(MPRE)を提案する。具体的には、動的特徴の傾向と変動情報を抽出する周波数変換モジュール(FTM)を提案する。 2D Multi-Extraction Network (2D MEN) において、傾向と変動に基づいて2次元時間テンソルを形成する。また,FODAM(First-Order difference Attention Mechanism)も提案する。
論文参考訳（メタデータ） (2024-01-01T13:52:05Z)
XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
RadioPathomics: Multimodal Learning in Non-Small Cell Lung Cancer for Adaptive Radiotherapy [1.8161758803237067]
非小細胞肺癌に対する放射線治療成績を予測するため, マルチモーダルレイトフュージョン法を開発した。実験により、AUCが90.9%ドルと同等のマルチモーダルパラダイムが、各ユニモーダルアプローチより優れていることが示された。
論文参考訳（メタデータ） (2022-04-26T16:32:52Z)
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)
MedGPT: Medical Concept Prediction from Clinical Narratives [0.23488056916440858]
患者の医療履歴の時間的モデリングは、将来の出来事を予測するのに使用できる。名前付きエンティティ認識とリンクツールを用いたトランスフォーマーベースのパイプラインであるMedGPTを提案する。本モデルでは, 医療用多選択肢質問応答タスクを用いて, 医療知識を抽出し, 評価を行った。
論文参考訳（メタデータ） (2021-07-07T10:36:28Z)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)
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)
Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。