論文の概要: Enabling Patient-side Disease Prediction via the Integration of Patient Narratives
- arxiv url: http://arxiv.org/abs/2405.02935v1
- Date: Sun, 5 May 2024 13:54:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 17:40:45.781651
- Title: Enabling Patient-side Disease Prediction via the Integration of Patient Narratives
- Title(参考訳): 患者のナラティブの統合による患者側疾患の予測
- Authors: Zhixiang Su, Yinan Zhang, Jiazheng Jing, Jie Xiao, Zhiqi Shen,
- Abstract要約: 患者側から疾患予測を行うために,PoMP(Personalized Medical Disease Prediction)を提案する。
PoMPは、テキスト記述や人口統計情報を含む患者の健康物語を用いて病気を予測する。
我々は,Hodfの現実世界データを用いて,PoMPの有効性を示す広範囲な実験を行った。
- 参考スコア(独自算出の注目度): 9.14970943544095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Disease prediction holds considerable significance in modern healthcare, because of its crucial role in facilitating early intervention and implementing effective prevention measures. However, most recent disease prediction approaches heavily rely on laboratory test outcomes (e.g., blood tests and medical imaging from X-rays). Gaining access to such data for precise disease prediction is often a complex task from the standpoint of a patient and is always only available post-patient consultation. To make disease prediction available from patient-side, we propose Personalized Medical Disease Prediction (PoMP), which predicts diseases using patient health narratives including textual descriptions and demographic information. By applying PoMP, patients can gain a clearer comprehension of their conditions, empowering them to directly seek appropriate medical specialists and thereby reducing the time spent navigating healthcare communication to locate suitable doctors. We conducted extensive experiments using real-world data from Haodf to showcase the effectiveness of PoMP.
- Abstract(参考訳): 病気の予測は、早期介入の促進と効果的な予防対策の実施において重要な役割を担っているため、現代医療においてかなりの重要性を持っている。
しかし、最近の病気予測アプローチは、検査結果(例えば、血液検査、X線からの医療画像など)に大きく依存している。
正確な疾患予測のためにそのようなデータにアクセスすることは、患者の立場から見れば複雑な作業であり、常に患者の後の相談でのみ利用可能である。
患者側から病気の予測を可能にするために,テキスト記述や人口統計情報を含む患者健康物語を用いた疾患の予測を行うPersonalized Medical Disease Prediction (PoMP)を提案する。
PoMPを適用することで、患者は自分の症状をより明確に理解し、適切な医療専門家を直接探すことを可能にし、適切な医師を見つけるために医療コミュニケーションをナビゲートするのに費やす時間を短縮することができる。
我々は,Hodfの現実世界データを用いて,PoMPの有効性を示す広範囲な実験を行った。
関連論文リスト
- Artificial Intelligence for Infectious Disease Prediction and Prevention: A Comprehensive Review [1.4874449172133888]
この論文は、AIの可能性を批判的に評価し、感染症管理の限界について概説する。
地域内の伝染病の拡散を防ぐための公衆衛生データを用いた予測、患者が感染性疾患に罹患しているかどうかを検出するための患者の医療データを用いた予測、公共医療データと患者医療データを用いて人口内で拡散している病気の程度を推定する予測の3つの分野に分類する。
論文 参考訳(メタデータ) (2024-11-14T00:43:32Z) - Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8~15.0%、MIMIC-IVでは12.6~12.7%である。
論文 参考訳(メタデータ) (2024-10-06T18:46:28Z) - An Interpretable Deep-Learning Framework for Predicting Hospital
Readmissions From Electronic Health Records [2.156208381257605]
そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。
実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
論文 参考訳(メタデータ) (2023-10-16T08:48:52Z) - Hospitalization Length of Stay Prediction using Patient Event Sequences [4.204781617630707]
本稿では,患者情報をイベントのシーケンスとしてモデル化し,入院期間(LOS)を予測するための新しいアプローチを提案する。
本稿では,患者の医療イベントシーケンスを記述したユニークな特徴を用いたLOS予測のためのトランスフォーマーベースモデルMedic-BERT(M-BERT)を提案する。
実験結果から,M-BERTは様々なLOS問題に対して高い精度を達成でき,従来の非シーケンスベース機械学習手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-03-20T11:48:36Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳(メタデータ) (2022-12-13T19:06:00Z) - 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) - 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) - 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) - CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic
for Interpretable Prognosis [20.701122594508675]
新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。
CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。
実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
論文 参考訳(メタデータ) (2020-07-17T09:20:56Z)
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。