論文の概要: Contrastive Learning on Medical Intents for Sequential Prescription Recommendation
- arxiv url: http://arxiv.org/abs/2408.10259v1
- Date: Tue, 13 Aug 2024 20:10:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-25 14:11:11.645076
- Title: Contrastive Learning on Medical Intents for Sequential Prescription Recommendation
- Title（参考訳）: 医用インテントのコントラスト学習 : シークエンシャル・プレプション・レコメンデーション
- Authors: Arya Hadizadeh Moghaddam, Mohsen Nayebi Kerdabadi, Mei Liu, Zijun Yao,
- Abstract要約: Attentive Recommendation with Contrasted Intents (ARCI) は、異なるが共存する時間的経路を、共通の訪問シーケンスで捉えるように設計されている。
評価基準と分類基準の両方を用いて,2つの実世界のデータセットを処方勧告タスクとして実験した。
- 参考スコア（独自算出の注目度）: 7.780844394603662
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in sequential modeling applied to Electronic Health Records (EHR) have greatly influenced prescription recommender systems. While the recent literature on drug recommendation has shown promising performance, the study of discovering a diversity of coexisting temporal relationships at the level of medical codes over consecutive visits remains less explored. The goal of this study can be motivated from two perspectives. First, there is a need to develop a sophisticated sequential model capable of disentangling the complex relationships across sequential visits. Second, it is crucial to establish multiple and diverse health profiles for the same patient to ensure a comprehensive consideration of different medical intents in drug recommendation. To achieve this goal, we introduce Attentive Recommendation with Contrasted Intents (ARCI), a multi-level transformer-based method designed to capture the different but coexisting temporal paths across a shared sequence of visits. Specifically, we propose a novel intent-aware method with contrastive learning, that links specialized medical intents of the patients to the transformer heads for extracting distinct temporal paths associated with different health profiles. We conducted experiments on two real-world datasets for the prescription recommendation task using both ranking and classification metrics. Our results demonstrate that ARCI has outperformed the state-of-the-art prescription recommendation methods and is capable of providing interpretable insights for healthcare practitioners.
- Abstract（参考訳）: エレクトロニック・ヘルス・レコーズ(EHR)に適用されたシーケンシャル・モデリングの進歩は処方薬推薦システムに大きな影響を与えた。
薬物推奨に関する最近の文献は有望な業績を示しているが、連続訪問における医療基準のレベルにおいて、共存する時間的関係の多様性を発見する研究は、いまだに研究されていない。
この研究の目的は2つの視点から動機付けることができる。
まず、シーケンシャルな訪問を横断する複雑な関係を解消できる洗練されたシーケンシャルなモデルを開発する必要がある。
第2に、薬物推奨において異なる医学的意図を包括的に考慮するために、同一患者に対して複数の多様な健康プロファイルを確立することが重要である。
この目的を達成するために,コントラスト・インテント(ARCI)と呼ばれるマルチレベルのトランスフォーマー・ベースの手法を導入する。
具体的には,患者の専門的医学的意図をトランスフォーマーヘッドと結びつけて,異なる健康状態に関連する異なる時間的経路を抽出する,コントラスト学習のための新しい意図認識手法を提案する。
評価基準と分類基準の両方を用いて,2つの実世界のデータセットを処方勧告タスクとして実験した。
以上の結果から、ARCIは最先端の処方薬推奨方法よりも優れており、医療従事者に対して解釈可能な洞察を提供することができることが示された。
関連論文リスト
- Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。
入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。
稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文 参考訳（メタデータ） (2024-03-26T14:36:22Z) - Knowledge-Induced Medicine Prescribing Network for Medication Recommendation [9.591674293850557]
本研究は,医学を推薦する知識誘導型医薬処方ネットワーク(KindMed)を提案する。
我々は、階層的シーケンス学習を利用して、患者の歴史的入院における臨床(診断と処置)と医療の流れの時間的ダイナミクスを発見し、融合させ、パーソナライズされたレコメンデーションを育む。
実世界のEHRコホートに対するKindMedの有効性を検証し,少数のグラフ駆動ベースラインに対する推奨性能の改善を実現した。
論文 参考訳（メタデータ） (2023-10-23T04:15:39Z) - Framework based on complex networks to model and mine patient pathways [0.6749750044497732]
いわゆる「患者の道」は、臨床および組織的な決定を支援する新しい研究分野である。
i) マルチアスペクトグラフに基づく経路モデル, (ii) 経過時間を考慮した経路比較のための新しい相似性測定, および (iii) 経路の最も関連性の高いステップを発見するための従来の集中度尺度に基づくマイニング手法からなるフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-25T15:11:52Z) - SHAPE: A Sample-adaptive Hierarchical Prediction Network for Medication
Recommendation [22.899946140205962]
本稿では,SHAPE(Sample-adaptive Hierarchical medicAtion Prediction nEtwork)を提案する。
具体的には、訪問レベルの表現を得るために、医療イベントにおける関係を符号化する、コンパクトなビジット・セット・エンコーダを設計する。
モデルに可変訪問長をモデル化する能力を与えるため,各標本の難易度を訪問長によって自動的に割り当てるソフトカリキュラム学習手法を提案する。
論文 参考訳（メタデータ） (2023-09-09T08:28:04Z) - Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。
医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。
提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-02-14T10:16:41Z) - Learn2Reg: comprehensive multi-task medical image registration
challenge, dataset and evaluation in the era of deep learning [19.267693026491482]
Learn2Regは、脳、腹部、胸部、超音波、CT、MRI、人口、患者内および患者間、監督レベルなど幅広い解剖学をカバーしている。
堅牢性、正確性、可視性、スピードなど、我々の補完的な指標は、医用画像登録の現状について独自の洞察を与えてくれる。
論文 参考訳（メタデータ） (2021-12-08T09:46:39Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳（メタデータ） (2021-05-13T04:14:35Z) - 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) - Learning-based Computer-aided Prescription Model for Parkinson's
Disease: A Data-driven Perspective [61.70045118068213]
我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。
そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。
新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
論文 参考訳（メタデータ） (2020-07-31T14:34:35Z)
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。