論文の概要: Probabilistic emotion and sentiment modelling of patient-reported
experiences
- arxiv url: http://arxiv.org/abs/2401.04367v1
- Date: Tue, 9 Jan 2024 05:39:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 16:39:51.297679
- Title: Probabilistic emotion and sentiment modelling of patient-reported
experiences
- Title(参考訳): 患者報告体験の確率的感情と感情モデリング
- Authors: Curtis Murray, Lewis Mitchell, Jonathan Tuke, Mark Mackay
- Abstract要約: 本研究では,オンライン体験談話から患者感情をモデル化する新しい手法を提案する。
ケアオピニオンから患者が報告した経験を分析するために,メタデータネットワークトピックをモデル化する。
マルチラベル感情とバイナリ感情の両方を予測できる確率論的・文脈特異的感情推薦システムを開発した。
- 参考スコア(独自算出の注目度): 0.04096453902709291
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study introduces a novel methodology for modelling patient emotions from
online patient experience narratives. We employed metadata network topic
modelling to analyse patient-reported experiences from Care Opinion, revealing
key emotional themes linked to patient-caregiver interactions and clinical
outcomes. We develop a probabilistic, context-specific emotion recommender
system capable of predicting both multilabel emotions and binary sentiments
using a naive Bayes classifier using contextually meaningful topics as
predictors. The superior performance of our predicted emotions under this model
compared to baseline models was assessed using the information retrieval
metrics nDCG and Q-measure, and our predicted sentiments achieved an F1 score
of 0.921, significantly outperforming standard sentiment lexicons. This method
offers a transparent, cost-effective way to understand patient feedback,
enhancing traditional collection methods and informing individualised patient
care. Our findings are accessible via an R package and interactive dashboard,
providing valuable tools for healthcare researchers and practitioners.
- Abstract(参考訳): 本研究は,オンライン患者体験物語から患者感情をモデル化する新しい手法を提案する。
ケアオピニオンから患者に報告された経験を分析し,患者と介護者の相互作用と臨床結果に関連する重要な感情的テーマを明らかにするために,メタデータネットワークトピックスモデリングを用いた。
文脈に有意義な話題を予測器として用い,ナイーブベイズ分類器を用いて,多段感情とバイナリ感情の両方を予測できる確率的・文脈特異的感情推薦システムを開発した。
本モデルにおける予測感情の性能は, 情報検索指標 ndcg と q-measure を用いて評価し, f1 スコア 0.921 となり, 標準感情レキシコンを有意に上回った。
患者からのフィードバックを理解し、従来の収集方法を強化し、個別の患者ケアを通知する透過的で費用対効果の高い方法を提供する。
我々の発見は、Rパッケージとインタラクティブダッシュボードを通じてアクセスでき、医療研究者や実践者にとって貴重なツールを提供する。
関連論文リスト
- A Comparative Study on Patient Language across Therapeutic Domains for Effective Patient Voice Classification in Online Health Discussions [0.48124799513933847]
本研究では,患者音声の正確な分類における言語的特徴の重要性を分析する。
我々は、類似した言語パターンと組み合わせたデータセットに基づいて事前学習した言語モデルを微調整し、高い精度で患者音声を自動分類した。
この話題の先駆的な研究として、ソーシャルメディアから真正の患者体験を抽出することに注力することは、医療基準の進歩に向けた重要なステップである。
論文 参考訳(メタデータ) (2024-07-23T15:51:46Z) - 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) - From Classification to Clinical Insights: Towards Analyzing and
Reasoning About Mobile and Behavioral Health Data With Large Language Models [22.140953523632724]
我々は,多センサデータから臨床的に有用な知見を合成するために,大規模言語モデルを活用する新しいアプローチを採っている。
うつ病や不安などの症状とデータの傾向がどのように関連しているかを,LSMを用いて推論する思考促進手法の連鎖を構築した。
GPT-4のようなモデルでは数値データの75%を正確に参照しており、臨床参加者は、この手法を用いて自己追跡データを解釈することへの強い関心を表明している。
論文 参考訳(メタデータ) (2023-11-21T23:53:27Z) - 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) - MedNgage: A Dataset for Understanding Engagement in Patient-Nurse
Conversations [4.847266237348932]
症状を効果的に管理する患者は、医療従事者との会話や介入において、より高いレベルのエンゲージメントを示すことが多い。
AIシステムは、患者と実践者との自然な会話におけるエンゲージメントを理解して、患者のケアにもっと貢献することが不可欠である。
本稿では,がん症状管理に関する患者と看護者の会話をまとめた新しいデータセット(MedNgage)を提案する。
論文 参考訳(メタデータ) (2023-05-31T16:06:07Z) - 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) - 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) - Towards Trustworthy Cross-patient Model Development [3.109478324371548]
本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。
以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
論文 参考訳(メタデータ) (2021-12-20T10:51:04Z) - What Do You See in this Patient? Behavioral Testing of Clinical NLP
Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。
私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文 参考訳(メタデータ) (2021-11-30T15:52:04Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳(メタデータ) (2021-07-20T07:04:52Z) - 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)
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。