論文の概要: EHR-Based Mobile and Web Platform for Chronic Disease Risk Prediction Using Large Language Multimodal Models

• arxiv url: http://arxiv.org/abs/2406.18087v1
• Date: Wed, 26 Jun 2024 05:51:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-27 14:28:34.641371
• Title: EHR-Based Mobile and Web Platform for Chronic Disease Risk Prediction Using Large Language Multimodal Models
• Title（参考訳）: 大規模言語マルチモーダルモデルを用いた慢性疾患リスク予測のためのEHRベースのモバイルおよびWebプラットフォーム
• Authors: Chun-Chieh Liao, Wei-Ting Kuo, I-Hsuan Hu, Yen-Chen Shih, Jun-En Ding, Feng Liu, Fang-Ming Hung,
• Abstract要約: 2017年から2021年にかけて、台湾の病院データベースから5年間のElectronic Health RecordsをAIデータベースとして収集しました。 LLMM(Large Language Multimodal Models)を用いたEHRに基づく慢性疾患予測プラットフォームを開発した。 この予測プラットフォームは病院のバックエンドデータベースに接続し、医師にリアルタイムのリスクアセスメントを提供する。
• 参考スコア（独自算出の注目度）: 4.340085157978275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional diagnosis of chronic diseases involves in-person consultations with physicians to identify the disease. However, there is a lack of research focused on predicting and developing application systems using clinical notes and blood test values. We collected five years of Electronic Health Records (EHRs) from Taiwan's hospital database between 2017 and 2021 as an AI database. Furthermore, we developed an EHR-based chronic disease prediction platform utilizing Large Language Multimodal Models (LLMMs), successfully integrating with frontend web and mobile applications for prediction. This prediction platform can also connect to the hospital's backend database, providing physicians with real-time risk assessment diagnostics. The demonstration link can be found at https://www.youtube.com/watch?v=oqmL9DEDFgA.
• Abstract（参考訳）: 伝統的な慢性疾患の診断には、疾患を特定するための医師との個人的相談が含まれる。 しかし、臨床ノートと血液検査値を用いたアプリケーションシステムの予測と開発に焦点を当てた研究の欠如がある。 2017年から2021年にかけて,台湾の病院データベースから5年間のElectronic Health Records(EHR)をAIデータベースとして収集した。 さらに,Large Language Multimodal Models (LLMMs) を用いた EHR ベースの慢性疾患予測プラットフォームを開発し,フロントエンド Web およびモバイルアプリケーションとの統合に成功している。 この予測プラットフォームは、病院のバックエンドデータベースに接続し、医師にリアルタイムのリスクアセスメント診断を提供する。 デモリンクはhttps://www.youtube.com/watch? v=oqmL9DEDFgA。

関連論文リスト

• 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)
• Prompting Large Language Models for Zero-Shot Clinical Prediction with Structured Longitudinal Electronic Health Record Data [7.815738943706123]
  大規模言語モデル(LLM)は、伝統的に自然言語処理に向いている。 本研究では, GPT-4 などの LLM の EHR データへの適応性について検討する。 EHRデータの長手性、スパース性、知識を注入した性質に対応するため、本研究は特定の特徴を考慮に入れている。
  論文  参考訳（メタデータ） (2024-01-25T20:14:50Z)
• Towards Generalist Foundation Model for Radiology by Leveraging Web-scale 2D&3D Medical Data [66.9359934608229]
  この研究はRadFMと呼ばれるRadlogy Foundation Modelの開発を開始することを目的としている。 われわれの知る限りでは、これは2Dスキャンと3Dスキャンによる、最初の大規模で高品質な医療用ビジュアル言語データセットである。 本稿では,モダリティ認識,疾患診断,視覚的質問応答,レポート生成,合理的診断の5つのタスクからなる新しい評価ベンチマークRadBenchを提案する。
  論文  参考訳（メタデータ） (2023-08-04T17:00:38Z)
• 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)
• Supervised multi-specialist topic model with applications on large-scale electronic health record data [3.322262654060203]
  本研究では,MixEHR-Sを,EHRデータから専門分野別トピックを共同推定する。 効率的な推論のために,閉形式崩壊変分推論アルゴリズムを開発した。 MixEHR-Sは3つの応用において、最も予測可能な潜在トピックの中で臨床的に有意義な潜在トピックを授与した。
  論文  参考訳（メタデータ） (2021-05-04T01:27:11Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
  アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。 スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
  論文  参考訳（メタデータ） (2020-08-19T04:28:17Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• A Deep Learning Pipeline for Patient Diagnosis Prediction Using Electronic Health Records [0.5672132510411464]
  我々は、公衆衛生データセットを普遍的なフォーマットに容易に変換するPythonパッケージを開発し、公開する。 複数の診断を同時に予測する2つの新しいモデルアーキテクチャを提案する。 どちらのモデルも高い精度で複数の診断を同時に予測できる。
  論文  参考訳（メタデータ） (2020-06-23T14:58:58Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。