論文の概要: HealthGAT: Node Classifications in Electronic Health Records using Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2403.18128v1
• Date: Tue, 26 Mar 2024 22:17:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 20:55:22.655432
• Title: HealthGAT: Node Classifications in Electronic Health Records using Graph Attention Networks
• Title（参考訳）: HealthGAT:グラフ注意ネットワークを用いた電子健康記録のノード分類
• Authors: Fahmida Liza Piya, Mehak Gupta, Rahmatollah Beheshti,
• Abstract要約: HealthGATは、EHRから埋め込みを生成するグラフアテンションネットワークフレームワークである。 本モデルでは,医療コードへの埋め込みを反復的に洗練し,EHRデータ解析の改善を実現している。 本モデルでは,ノード分類や,可読度予測や診断分類などの下流タスクにおいて,優れた性能を示す。
• 参考スコア（独自算出の注目度）: 2.2026317523029193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While electronic health records (EHRs) are widely used across various applications in healthcare, most applications use the EHRs in their raw (tabular) format. Relying on raw or simple data pre-processing can greatly limit the performance or even applicability of downstream tasks using EHRs. To address this challenge, we present HealthGAT, a novel graph attention network framework that utilizes a hierarchical approach to generate embeddings from EHR, surpassing traditional graph-based methods. Our model iteratively refines the embeddings for medical codes, resulting in improved EHR data analysis. We also introduce customized EHR-centric auxiliary pre-training tasks to leverage the rich medical knowledge embedded within the data. This approach provides a comprehensive analysis of complex medical relationships and offers significant advancement over standard data representation techniques. HealthGAT has demonstrated its effectiveness in various healthcare scenarios through comprehensive evaluations against established methodologies. Specifically, our model shows outstanding performance in node classification and downstream tasks such as predicting readmissions and diagnosis classifications. Our code is available at https://github.com/healthylaife/HealthGAT
• Abstract（参考訳）: 電子健康記録(EHR)は医療における様々な用途で広く使われているが、ほとんどのアプリケーションは生の(タブラル)フォーマットでEHRを使用する。 生データや単純なデータ前処理を頼りにすることで、EHRを使用した下流タスクのパフォーマンスや適用性を大幅に制限することができる。 この課題に対処するために、従来のグラフベースの手法を超越した、階層的なアプローチでEHRから埋め込みを生成する新しいグラフアテンションネットワークフレームワークHealthGATを提案する。 本モデルでは,医療コードへの埋め込みを反復的に洗練し,EHRデータ解析の改善を実現している。 また、データに埋め込まれた豊富な医療知識を活用するために、カスタマイズされたEMH中心の補助訓練タスクも導入する。 このアプローチは、複雑な医療関係を包括的に分析し、標準データ表現技術よりも大幅に進歩する。 HealthGATは、確立した方法論に対する包括的な評価を通じて、様々な医療シナリオにおいてその効果を実証してきた。 具体的には,ノード分類や,可読度予測や診断分類などの下流タスクにおいて,優れた性能を示す。 私たちのコードはhttps://github.com/healthylaife/HealthGATで利用可能です。

関連論文リスト

• 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)
• Fairness-Optimized Synthetic EHR Generation for Arbitrary Downstream Predictive Tasks [2.089191490381739]
  本稿では,実EHRデータと整合した合成EHRデータを生成するパイプラインを提案する。 下流タスクと2つの異なるEHRデータセットにまたがるパイプラインの有効性を実証する。 提案したパイプラインは、ヘルスAIアプリケーションの公正性に対処する既存のツールボックスに、広く適用可能な補完ツールを追加することができる。
  論文  参考訳（メタデータ） (2024-06-04T17:29:21Z)
• Guided Discrete Diffusion for Electronic Health Record Generation [47.129056768385084]
  EHRは、病気の進行予測、臨床試験設計、健康経済学と結果研究など、多くの計算医学の応用を可能にする中心的なデータソースである。 幅広いユーザビリティにもかかわらず、その繊細な性質はプライバシーと秘密の懸念を高め、潜在的なユースケースを制限する。 これらの課題に対処するために,人工的かつ現実的なEHRを合成するための生成モデルの利用について検討する。
  論文  参考訳（メタデータ） (2024-04-18T16:50:46Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• 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)
• Rediscovery of CNN's Versatility for Text-based Encoding of Raw Electronic Health Records [22.203204279166496]
  我々は,大容量データを管理可能なサイズに縮小するだけでなく,多種多様な臨床業務を行う患者の中核情報を適切に保存する多目的エンコーダを探索する。 階層的に構造化された畳み込みニューラルネットワーク(CNN)は、多種多様なタスクにおける最先端モデルよりも優れていることが判明した。
  論文  参考訳（メタデータ） (2023-03-15T00:37:18Z)
• Modeling electronic health record data using a knowledge-graph-embedded topic model [6.170782354287972]
  エンド・ツー・エンドの知識グラフに基づくマルチモーダル組込みトピックモデルであるKG-ETMを提案する。 KG-ETMは、医療知識グラフから埋め込みを学習することで、HRデータから潜伏病トピックを抽出する。 また,本モデルでは,患者層化と薬剤推奨のための解釈可能かつ正確な患者表現も発見できる。
  論文  参考訳（メタデータ） (2022-06-03T07:58:17Z)
• 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)
• Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
  非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。 フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
  論文  参考訳（メタデータ） (2021-01-17T23:14:29Z)
• 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)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。