論文の概要: Zero Shot Health Trajectory Prediction Using Transformer

• arxiv url: http://arxiv.org/abs/2407.21124v1
• Date: Tue, 30 Jul 2024 18:33:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 19:35:32.231402
• Title: Zero Shot Health Trajectory Prediction Using Transformer
• Title（参考訳）: 変圧器を用いたゼロショットの健康軌道予測
• Authors: Pawel Renc, Yugang Jia, Anthony E. Samir, Jaroslaw Was, Quanzheng Li, David W. Bates, Arkadiusz Sitek,
• Abstract要約: ETHOS(Enhanced Transformer for Health Outcome Simulation)は、健康データ解析のためのトランスフォーマーディープラーニングアーキテクチャの新しい応用である。 ETHOSは、将来の健康軌道を予測するために、患者健康時間線(PHT)の詳細とトークン化された健康イベントの記録を使用して訓練されている。
• 参考スコア（独自算出の注目度）: 11.660997334071952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating modern machine learning and clinical decision-making has great promise for mitigating healthcare's increasing cost and complexity. We introduce the Enhanced Transformer for Health Outcome Simulation (ETHOS), a novel application of the transformer deep-learning architecture for analyzing high-dimensional, heterogeneous, and episodic health data. ETHOS is trained using Patient Health Timelines (PHTs)-detailed, tokenized records of health events-to predict future health trajectories, leveraging a zero-shot learning approach. ETHOS represents a significant advancement in foundation model development for healthcare analytics, eliminating the need for labeled data and model fine-tuning. Its ability to simulate various treatment pathways and consider patient-specific factors positions ETHOS as a tool for care optimization and addressing biases in healthcare delivery. Future developments will expand ETHOS' capabilities to incorporate a wider range of data types and data sources. Our work demonstrates a pathway toward accelerated AI development and deployment in healthcare.
• Abstract（参考訳）: 現代の機械学習と臨床的意思決定を統合することは、医療のコストと複雑さの増大を緩和する大きな約束である。 ETHOS(Enhanced Transformer for Health Outcome Simulation)は,高次元・不均一・エピソードな健康データを解析するためのトランスフォーマー深層学習アーキテクチャの新しい応用法である。 ETHOSは、患者健康タイムライン(PHT)の詳細とトークン化された健康イベントの記録を使用して、将来の健康トラジェクトリを予測し、ゼロショット学習アプローチを活用する。 ETHOSは、医療分析のための基盤モデル開発において、ラベル付きデータやモデル微調整の必要性を排除し、大きな進歩を示している。 様々な治療経路をシミュレートし、ETHOSを医療提供の最適化とバイアスに対処するためのツールとして位置づける。 今後は、ETHOSの機能を拡張して、幅広いデータタイプとデータソースを組み込む予定だ。 私たちの研究は、医療におけるAI開発とデプロイメントを加速するための道筋を示しています。

関連論文リスト

• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Automated Multi-Task Learning for Joint Disease Prediction on Electronic Health Records [4.159498069487535]
  本稿では,タスクグループとアーキテクチャの最適構成を同時に検索できるAutoDPという自動手法を提案する。 ハンドクラフトと自動化された最先端の手法の両方に対して大幅な性能向上を実現し、同時に検索コストを同時に維持する。
  論文  参考訳（メタデータ） (2024-03-06T22:32:48Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  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)
• Generative AI-Driven Human Digital Twin in IoT-Healthcare: A Comprehensive Survey [53.691704671844406]
  IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。 ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。 HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。 最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
  論文  参考訳（メタデータ） (2024-01-22T03:17:41Z)
• Data-Centric Foundation Models in Computational Healthcare: A Survey [21.53211505568379]
  AI技術の新たなスイートとしてのファンデーションモデル(FM)は、計算医療の波を巻き起こしている。 我々は、AIセキュリティ、アセスメント、および人間の価値との整合性における重要な視点について議論する。 本報告では,患者の予後と臨床ワークフローを向上するために,FMベースの分析を期待できる展望を提供する。
  論文  参考訳（メタデータ） (2024-01-04T08:00:32Z)
• 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)
• Applying Bayesian Ridge Regression AI Modeling in Virus Severity Prediction [0.0]
  医療専門家に最先端ウイルス分析をもたらすAIモデルであるBayesian Ridge Regressionの長所と短所をレビューする。 モデルの精度評価は有望な結果を示し、改善の余地があった。 さらに、重症度指数は、患者のケアニーズを概観するための貴重なツールとして機能する。
  論文  参考訳（メタデータ） (2023-10-14T04:17:00Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Transformers in Healthcare: A Survey [11.189892739475633]
  Transformerは、当初、汎用自然言語処理(NLP)タスクを解決するために開発されたディープラーニングアーキテクチャの一種である。 本稿では, 医療画像, 構造化・非構造化電子健康記録(EHR), ソーシャルメディア, 生理信号, 生体分子配列など, 様々な形態のデータを解析するために, このアーキテクチャがどのように採用されてきたのかを概説する。 医療におけるトランスフォーマーの利用のメリットと限界について議論し、計算コスト、モデル解釈可能性、公正性、人的価値との整合性、倫理的含意、環境影響などの問題を検討する。
  論文  参考訳（メタデータ） (2023-06-30T18:14:20Z)
• HTPS: Heterogeneous Transferring Prediction System for Healthcare Datasets [9.506777120480878]
  異種データセットから知識を伝達するヘテロジニアス転送予測システム(HTPS)を提案する。 実験の結果,提案したHTPSは,様々な予測タスクやデータセット上でベンチマークシステムより優れていた。
  論文  参考訳（メタデータ） (2023-05-02T08:31:29Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)

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。