Fugu-MT 論文翻訳(概要): CausalMed: Causality-Based Personalized Medication Recommendation Centered on Patient health state

論文の概要: CausalMed: Causality-Based Personalized Medication Recommendation Centered on Patient health state

arxiv url: http://arxiv.org/abs/2404.12228v2
Date: Wed, 17 Jul 2024 09:52:43 GMT
ステータス: 処理完了
システム内更新日: 2024-07-18 22:07:40.935188
Title: CausalMed: Causality-Based Personalized Medication Recommendation Centered on Patient health state
Title（参考訳）: CausalMed:患者の健康状態を中心とした因果性に基づくパーソナライズドメディケーション勧告
Authors: Xiang Li, Shunpan Liang, Yu Lei, Chen Li, Yulei Hou, Tengfei Ma,
Abstract要約: CausalMedは、患者の表現のパーソナライズを高めることができる患者の健康状態中心モデルである。本手法はよりパーソナライズされた患者表現を学習し、精度と安全性において最先端のモデルより優れる。
参考スコア（独自算出の注目度）: 11.137353555292277
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medication recommendation systems are developed to recommend suitable medications tailored to specific patient. Previous researches primarily focus on learning medication representations, which have yielded notable advances. However, these methods are limited to capturing personalized patient representations due to the following primary limitations: (i) unable to capture the differences in the impact of diseases/procedures on patients across various patient health states; (ii) fail to model the direct causal relationships between medications and specific health state of patients, resulting in an inability to determine which specific disease each medication is treating. To address these limitations, we propose CausalMed, a patient health state-centric model capable of enhancing the personalization of patient representations. Specifically, CausalMed first captures the causal relationship between diseases/procedures and medications through causal discovery and evaluates their causal effects. Building upon this, CausalMed focuses on analyzing the health state of patients, capturing the dynamic differences of diseases/procedures in different health states of patients, and transforming diseases/procedures into medications on direct causal relationships. Ultimately, CausalMed integrates information from longitudinal visits to recommend medication combinations. Extensive experiments on real-world datasets show that our method learns more personalized patient representation and outperforms state-of-the-art models in accuracy and safety.
Abstract（参考訳）: 特定の患者に適した薬剤を推奨する薬剤推奨システムを開発した。これまでの研究は主に薬品表現の学習に焦点が当てられ、顕著な進歩をもたらした。しかし、これらの方法は、以下の主な制限により、パーソナライズされた患者表現をキャプチャすることに限定されている。一病原体が各種患者の健康状態に与える影響の相違を把握できないこと。 (ii) 薬剤と患者の特定の健康状態の直接的な因果関係をモデル化できないため、各薬剤がどの疾患を治療しているかを判断できない。これらの制約に対処するため,患者表現のパーソナライズを向上できる健康状態中心モデルCausalMedを提案する。具体的には、CausalMedはまず因果関係を因果的発見によって捉え、その因果的影響を評価する。これに基づいて、CausalMedは患者の健康状態を分析し、患者の異なる健康状態における疾患や栄養素の動的な相違を捉え、直接的な因果関係に基づいて疾患や栄養素を薬に変えることに焦点を当てている。最終的にCausalMedは、長期訪問からの情報を統合して、医薬品の組み合わせを推奨する。実世界のデータセットに対する大規模な実験により、我々の手法はよりパーソナライズされた患者の表現を学習し、最先端のモデルの精度と安全性を向上することが示された。

関連論文リスト

Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
論文参考訳（メタデータ） (2024-06-18T17:22:55Z)
Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文参考訳（メタデータ） (2024-03-26T14:36:22Z)
Dual-Granularity Medication Recommendation Based on Causal Inference [14.814729935085635]
医薬推奨は、患者の長期健康記録と医療知識を統合することを目的としている。既存の研究の多くは、従来のレコメンデーションシステムの変種としてのみ、医薬品レコメンデーションシステムを扱っている。医薬品推奨のためのフレームワークであるDGMedを提案する。
論文参考訳（メタデータ） (2024-03-01T08:50:27Z)
DKINet: Medication Recommendation via Domain Knowledge Informed Deep Learning [12.609882335746859]
医療勧告は、医療の根本的かつ重要な分野である。これまでの研究は主に電子健康記録から患者の表現を学ぶことに焦点を当ててきた。本稿では,複雑な臨床症状とドメイン知識の効果的な統合に対処する知識注入モジュールを提案する。
論文参考訳（メタデータ） (2023-05-31T07:22:15Z)
Modelling Patient Trajectories Using Multimodal Information [0.0]
本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。本手法は, 予期せぬ患者寛解と疾患進行の2つの異なる臨床結果に基づいて検討した。
論文参考訳（メタデータ） (2022-09-09T10:20:54Z)
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)
Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2022-02-14T10:16:41Z)
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)
Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。医療対話生成のためのエンドツーエンドの変分推論手法を提案する。行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文参考訳（メタデータ） (2021-05-13T04:14:35Z)
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。