論文の概要: Continuous Predictive Modeling of Clinical Notes and ICD Codes in Patient Health Records

• arxiv url: http://arxiv.org/abs/2405.11622v1
• Date: Sun, 19 May 2024 17:23:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 15:02:50.781812
• Title: Continuous Predictive Modeling of Clinical Notes and ICD Codes in Patient Health Records
• Title（参考訳）: 患者の健康記録における臨床ノートとICD符号の連続予測モデル
• Authors: Mireia Hernandez Caralt, Clarence Boon Liang Ng, Marek Rei,
• Abstract要約: 本研究は, 患者全員の滞在時間におけるICDコード予測の可能性について検討した。 早期に診断と治療を予測する手法の開発は、予測医学の機会を開く可能性がある。
• 参考スコア（独自算出の注目度）: 9.427150895481832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic Health Records (EHR) serve as a valuable source of patient information, offering insights into medical histories, treatments, and outcomes. Previous research has developed systems for detecting applicable ICD codes that should be assigned while writing a given EHR document, mainly focusing on discharge summaries written at the end of a hospital stay. In this work, we investigate the potential of predicting these codes for the whole patient stay at different time points during their stay, even before they are officially assigned by clinicians. The development of methods to predict diagnoses and treatments earlier in advance could open opportunities for predictive medicine, such as identifying disease risks sooner, suggesting treatments, and optimizing resource allocation. Our experiments show that predictions regarding final ICD codes can be made already two days after admission and we propose a custom model that improves performance on this early prediction task.
• Abstract（参考訳）: 電子健康記録 (Electronic Health Records, EHR) は、患者の情報の貴重な情報源であり、医療史、治療、結果に関する洞察を提供する。 従来の研究では、病院滞在の終わりに書かれた放電サマリーを中心に、所定の EHR 文書を書きながら割り当てられるべきICD コードを検出するシステムを開発した。 本研究は, 臨床医に正式に割り当てられる前であっても, 患者全員の在院時間帯を予測できる可能性について検討する。 早期に診断や治療を予測する手法の開発は、病気のリスクの早期発見、治療の提案、資源配分の最適化など、予測医療の機会を開く可能性がある。 本実験では,入試後2日で最終ICD符号の予測が可能であることを示し,この早期予測タスクの性能を向上させるカスタムモデルを提案する。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
  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)
• CPLLM: Clinical Prediction with Large Language Models [0.07083082555458872]
  本稿では,臨床疾患に対するLLM(Pre-trained Large Language Model)の微調整と寛容予測を行う手法を提案する。 診断予測には,患者の来訪時に対象疾患と診断されるか,その後に診断されるかを,過去の診断記録を利用して予測する。 提案手法であるCPLLMは,PR-AUCおよびROC-AUCの指標で試験された全てのモデルを上回ることを示した。
  論文  参考訳（メタデータ） (2023-09-20T13:24:12Z)
• Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes? [53.45585591262433]
  本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。 我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
  論文  参考訳（メタデータ） (2022-10-28T04:06:07Z)
• Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
  EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。 集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。 我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-16T11:19:02Z)
• 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)
• Exploring and Distilling Posterior and Prior Knowledge for Radiology Report Generation [55.00308939833555]
  PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。 PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。 PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
  論文  参考訳（メタデータ） (2021-06-13T11:10:02Z)
• 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)

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。