論文の概要: Patient-centered data science: an integrative framework for evaluating and predicting clinical outcomes in the digital health era

• arxiv url: http://arxiv.org/abs/2408.02677v1
• Date: Wed, 31 Jul 2024 02:36:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 16:27:42.365105
• Title: Patient-centered data science: an integrative framework for evaluating and predicting clinical outcomes in the digital health era
• Title（参考訳）: 患者中心型データサイエンス : デジタルヘルス時代の臨床結果の評価と予測のための統合的枠組み
• Authors: Mohsen Amoei, Dan Poenaru,
• Abstract要約: 本研究では,デジタルヘルス時代の患者中心型データサイエンスのための新たな統合的枠組みを提案する。 従来の臨床データと患者の報告した結果、健康の社会的決定要因、および多次元データを組み合わせて総合的なデジタル患者表現を作成する多次元モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study proposes a novel, integrative framework for patient-centered data science in the digital health era. We developed a multidimensional model that combines traditional clinical data with patient-reported outcomes, social determinants of health, and multi-omic data to create comprehensive digital patient representations. Our framework employs a multi-agent artificial intelligence approach, utilizing various machine learning techniques including large language models, to analyze complex, longitudinal datasets. The model aims to optimize multiple patient outcomes simultaneously while addressing biases and ensuring generalizability. We demonstrate how this framework can be implemented to create a learning healthcare system that continuously refines strategies for optimal patient care. This approach has the potential to significantly improve the translation of digital health innovations into real-world clinical benefits, addressing current limitations in AI-driven healthcare models.
• Abstract（参考訳）: 本研究では,デジタルヘルス時代の患者中心型データサイエンスのための新たな統合的枠組みを提案する。 従来の臨床データと患者の報告した結果、健康の社会的決定要因、および多次元データを組み合わせて総合的なデジタル患者表現を作成する多次元モデルを開発した。 我々のフレームワークは、大規模言語モデルを含む様々な機械学習技術を利用して、複雑で縦長なデータセットを解析するマルチエージェント人工知能アプローチを採用している。 このモデルは、バイアスに対処しながら複数の患者結果を同時に最適化し、一般化性を確保することを目的としている。 我々は、最適な患者ケアのための戦略を継続的に洗練する学習医療システムを構築するために、このフレームワークをどのように実装できるかを実証する。 このアプローチは、AI駆動型医療モデルにおける現在の制限に対処しながら、デジタルヘルスイノベーションを現実の臨床的メリットに大幅に改善する可能性がある。

関連論文リスト

• Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
  本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。 このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。 本手法は,臨床医に現実的な意思決定支援ツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-19T14:54:20Z)
• 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)
• Knowledge Graph Representations to enhance Intensive Care Time-Series Predictions [4.660203987415476]
  提案手法は,ICUデータと医療知識を統合し,臨床意思決定モデルを改善する。 グラフ表現とバイタルサインと臨床報告を組み合わせることで、パフォーマンスを向上させる。 我々のモデルには、知識グラフノードが予測にどのように影響するかを理解するための解釈可能性コンポーネントが含まれています。
  論文  参考訳（メタデータ） (2023-11-13T09:11:55Z)
• Digital Twins for Patient Care via Knowledge Graphs and Closed-Form Continuous-Time Liquid Neural Networks [0.0]
  デジタル双生児は、製造業、サプライチェーンのロジスティクス、土木インフラなどの産業で急速に勢いを増している。 マルチモーダル患者データを用いた複雑な疾患のモデル化の課題と、その解析の複雑さは、生体医療分野におけるデジタル双生児の採用を阻害している。 本稿では,計算コストとモデリング複雑さによる臨床双対モデリングの障壁に対処する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-07-08T12:52:31Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• 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)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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)
• Graph representation forecasting of patient's medical conditions: towards a digital twin [0.0]
  複数組織におけるACE2過剰発現が心血管機能に及ぼす影響について検討した。 本稿では,分子データを用いた大規模な構成可能な臨床モデルの統合という概念の実証を行う。
  論文  参考訳（メタデータ） (2020-09-17T13:49:48Z)

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。