論文の概要: PhenoFlow: A Human-LLM Driven Visual Analytics System for Exploring Large and Complex Stroke Datasets
- arxiv url: http://arxiv.org/abs/2407.16329v1
- Date: Tue, 23 Jul 2024 09:25:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 17:45:51.899492
- Title: PhenoFlow: A Human-LLM Driven Visual Analytics System for Exploring Large and Complex Stroke Datasets
- Title（参考訳）: PhenoFlow: 大規模で複雑なストロークデータセットを探索するヒューマンLLM駆動型ビジュアルアナリティクスシステム
- Authors: Jaeyoung Kim, Sihyeon Lee, Hyeon Jeon, Keon-Joo Lee, Hee-Joon Bae, Bohyoung Kim, Jinwook Seo,
- Abstract要約: PhenoFlowは、人間と大規模言語モデル(LLM)の協調を利用した視覚分析システムである。
PhenoFlowは、生の患者データにアクセスせずに、メタデータを使用して推論し、実行可能なコードを合成する。
本研究は,急性虚血性脳卒中患者のデータ駆動型臨床意思決定における現在の課題にLCMを用いて取り組む可能性を示す。
- 参考スコア（独自算出の注目度）: 21.783005762375417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acute stroke demands prompt diagnosis and treatment to achieve optimal patient outcomes. However, the intricate and irregular nature of clinical data associated with acute stroke, particularly blood pressure (BP) measurements, presents substantial obstacles to effective visual analytics and decision-making. Through a year-long collaboration with experienced neurologists, we developed PhenoFlow, a visual analytics system that leverages the collaboration between human and Large Language Models (LLMs) to analyze the extensive and complex data of acute ischemic stroke patients. PhenoFlow pioneers an innovative workflow, where the LLM serves as a data wrangler while neurologists explore and supervise the output using visualizations and natural language interactions. This approach enables neurologists to focus more on decision-making with reduced cognitive load. To protect sensitive patient information, PhenoFlow only utilizes metadata to make inferences and synthesize executable codes, without accessing raw patient data. This ensures that the results are both reproducible and interpretable while maintaining patient privacy. The system incorporates a slice-and-wrap design that employs temporal folding to create an overlaid circular visualization. Combined with a linear bar graph, this design aids in exploring meaningful patterns within irregularly measured BP data. Through case studies, PhenoFlow has demonstrated its capability to support iterative analysis of extensive clinical datasets, reducing cognitive load and enabling neurologists to make well-informed decisions. Grounded in long-term collaboration with domain experts, our research demonstrates the potential of utilizing LLMs to tackle current challenges in data-driven clinical decision-making for acute ischemic stroke patients.
- Abstract（参考訳）: 急性期脳卒中は診断と治療を急がせ、最適な結果が得られます。
しかし、脳卒中、特に血圧(BP)測定に関連する臨床データの複雑で不規則な性質は、効果的な視覚分析と意思決定にかなりの障害をもたらす。
経験豊富な神経科医との1年間のコラボレーションを通じて,ヒトと大言語モデル(LLM)の協調を利用して急性虚血性脳卒中患者の広範囲かつ複雑なデータを解析する視覚分析システムであるPhenoFlowを開発した。
PhenoFlowは革新的なワークフローを開拓し、LLMはデータラングラーとして機能し、神経学者は可視化と自然言語の相互作用を使って出力を探索し監督する。
このアプローチにより、神経学者は認知負荷を減らして意思決定に集中することができる。
センシティブな患者情報を保護するため、PhenoFlowは、生の患者データにアクセスすることなく、メタデータを使用して推論を行い、実行可能なコードを合成する。
これにより、結果が再現可能であり、患者のプライバシーを維持しながら解釈可能であることが保証される。
このシステムにはスライス・アンド・ラップのデザインが組み込まれており、時間軸の折り畳みを利用して、オーバーレイな円形の可視化が実現されている。
この設計は線形バーグラフと組み合わせて、不規則に測定されたBPデータの中で意味のあるパターンを探索するのに役立つ。
ケーススタディを通じて、PhenoFlowは、広範な臨床データセットの反復分析をサポートし、認知的負荷を低減し、神経学者が十分にインフォームドされた意思決定を可能にする能力を実証した。
本研究は,急性虚血性脳卒中患者に対するデータ駆動型臨床意思決定の課題にLLMを活用する可能性を示す。
関連論文リスト
- Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - 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) - Enabling scalable clinical interpretation of ML-based phenotypes using
real world data [0.0]
本研究では,大規模なERHデータセットを用いて患者層化分析を行う手法について検討した。
本研究は, 患者層分類結果の臨床的評価と解釈を容易にするためのいくつかのツールを開発した。
論文 参考訳（メタデータ） (2022-08-02T17:31:03Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Longitudinal modeling of MS patient trajectories improves predictions of
disability progression [2.117653457384462]
本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。
本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。
文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
論文 参考訳（メタデータ） (2020-11-09T20:48:00Z) - Deep learning prediction of patient response time course from early data
via neural-pharmacokinetic/pharmacodynamic modeling [0.0]
本研究は, 長期患者データから直接, 制御微分方程式を学習できることを示唆する。
本稿では、鍵薬理学原理とニューラル常微分方程式を組み合わせた新しいニューラル-PK/PDフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-22T14:43:22Z) - A Predictive Visual Analytics System for Studying Neurodegenerative
Disease based on DTI Fiber Tracts [20.879437896802408]
本稿では,DTIファイバートラクションデータとそれに対応する統計情報に基づいて,患者グループを対象としたインテリジェントな視覚分析システムを提案する。
システムのAI拡張インターフェースは、ユーザを組織的で総合的な分析空間を通じてガイドする。
本稿では,Parkinson's Progression Markers Initiativeの研究データベースから得られた実データを用いて,いくつかのケーススタディを行う。
論文 参考訳（メタデータ） (2020-10-13T06:34:45Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。