論文の概要: MiranDa: Mimicking the Learning Processes of Human Doctors to Achieve Causal Inference for Medication Recommendation
- arxiv url: http://arxiv.org/abs/2408.01445v1
- Date: Tue, 23 Jul 2024 01:08:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 04:59:02.241609
- Title: MiranDa: Mimicking the Learning Processes of Human Doctors to Achieve Causal Inference for Medication Recommendation
- Title（参考訳）: MiranDa: 医師の学習過程を模倣して医療勧告のための因果推論を実現する
- Authors: Ziheng Wang, Xinhe Li, Haruki Momma, Ryoichi Nagatomi,
- Abstract要約: 病院における在院期間(ELOS)を推定できる最初の行動可能なモデルであるMiranDaを提案する。
詳しくは、MiranDaは、ELOSによってシフトされた2つの勾配スケーリングフェーズを通じて、医師の教育軌道をエミュレートする。
Intensive Care III データセットとIV データセットのための医療情報マートの評価では,5つの指標にまたがって,我々のモデルの優れた結果が示された。
- 参考スコア（独自算出の注目度）: 5.281054432963503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To enhance therapeutic outcomes from a pharmacological perspective, we propose MiranDa, designed for medication recommendation, which is the first actionable model capable of providing the estimated length of stay in hospitals (ELOS) as counterfactual outcomes that guide clinical practice and model training. In detail, MiranDa emulates the educational trajectory of doctors through two gradient-scaling phases shifted by ELOS: an Evidence-based Training Phase that utilizes supervised learning and a Therapeutic Optimization Phase grounds in reinforcement learning within the gradient space, explores optimal medications by perturbations from ELOS. Evaluation of the Medical Information Mart for Intensive Care III dataset and IV dataset, showcased the superior results of our model across five metrics, particularly in reducing the ELOS. Surprisingly, our model provides structural attributes of medication combinations proved in hyperbolic space and advocated "procedure-specific" medication combinations. These findings posit that MiranDa enhanced medication efficacy. Notably, our paradigm can be applied to nearly all medical tasks and those with information to evaluate predicted outcomes. The source code of the MiranDa model is available at https://github.com/azusakou/MiranDa.
- Abstract（参考訳）: 薬理学的観点から治療効果を高めるため,臨床実習とモデルトレーニングを指導する対効果として,病院での滞在期間(ELOS)を推定できる最初の実行可能なモデルであるミランダ(MiranDa)を提案する。
MiranDaは、ELOSがシフトする2つの勾配スケーリング段階、すなわち教師付き学習を利用するエビデンスベースのトレーニング段階と、勾配空間内の強化学習におけるセラピー最適化段階をエミュレートし、ELOSからの摂動による最適な薬物の探索を行う。
Intensive Care III データセットとIV データセットのための医療情報マートの評価では,5つの指標,特にELOS の削減において,我々のモデルの優れた結果が示された。
驚いたことに、我々のモデルは、双曲空間で証明された薬物の組み合わせの構造的特性を提供し、「プロドウレ特異的」な薬物の組み合わせを提唱している。
これらの所見はミランダが薬効を増強したことを示唆している。
特に、我々のパラダイムは、ほぼ全ての医療課題や、予測された結果を評価する情報に応用できる。
MiranDaモデルのソースコードはhttps://github.com/azusakou/MiranDaで入手できる。
関連論文リスト
- RuleAlign: Making Large Language Models Better Physicians with Diagnostic Rule Alignment [54.91736546490813]
本稿では,大規模言語モデルと特定の診断規則との整合性を考慮したルールアラインフレームワークを提案する。
患者と医師間の規則に基づくコミュニケーションを含む医療対話データセットを開発した。
実験の結果,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-08-22T17:44:40Z) - Towards Evaluating and Building Versatile Large Language Models for Medicine [57.49547766838095]
MedS-Benchは大規模言語モデル(LLM)の性能を臨床的に評価するためのベンチマークである。
MedS-Benchは、臨床報告の要約、治療勧告、診断、名前付きエンティティ認識、医療概念説明を含む、11のハイレベルな臨床タスクにまたがる。
MedS-Insは58の医療指向言語コーパスで構成され、112のタスクで1350万のサンプルを収集している。
論文 参考訳（メタデータ） (2024-08-22T17:01:34Z) - Enhancing Healthcare through Large Language Models: A Study on Medical Question Answering [13.237829215746443]
Sentence-t5 + Mistral 7B モデルは、正確な医療回答の理解と生成に優れている。
以上の結果から,医学的文脈における高度なLCMの統合の可能性が示唆された。
論文 参考訳（メタデータ） (2024-08-08T00:35:39Z) - STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。
STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
論文 参考訳（メタデータ） (2024-06-28T15:01:23Z) - Development and Validation of a Deep-Learning Model for Differential Treatment Benefit Prediction for Adults with Major Depressive Disorder Deployed in the Artificial Intelligence in Depression Medication Enhancement (AIDME) Study [0.622895724042048]
大うつ病(MDD)の薬理学的治療は、試行錯誤のアプローチに依存している。
治療結果のパーソナライズを目的とした人工知能(AI)モデルを導入する。
論文 参考訳（メタデータ） (2024-06-07T15:04:59Z) - CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning [10.60553153370577]
医薬推奨は、患者の長期医療記録を統合し、正確で安全な薬品の組み合わせを提供することを目的としている。
既存の方法では、疾患や引き金や薬物の真の因果関係を深く探ることができないことが多い。
因果推論駆動型デュアルグラニュラリティメディケーション勧告法(CIDGMed)を提案する。
論文 参考訳（メタデータ） (2024-03-01T08:50:27Z) - Large Language Model Distilling Medication Recommendation Model [61.89754499292561]
大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。
本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。
これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
論文 参考訳（メタデータ） (2024-02-05T08:25:22Z) - 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) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with
Electronic Medical Record Data [18.77246683875067]
最適な治療体制は、最も全体的な臨床効果が期待されるものとなり、多くの注目を集めている。
半教師付き環境下での電子カルテデータによる最適治療体制の推定について検討する。
論文 参考訳（メタデータ） (2022-03-04T13:54:35Z) - 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)
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。