論文の概要: Evaluating the Predictive Features of Person-Centric Knowledge Graph Embeddings: Unfolding Ablation Studies

• arxiv url: http://arxiv.org/abs/2408.15294v2
• Date: Thu, 29 Aug 2024 09:43:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 18:04:21.236022
• Title: Evaluating the Predictive Features of Person-Centric Knowledge Graph Embeddings: Unfolding Ablation Studies
• Title（参考訳）: 人中心知識グラフ埋め込みの予測的特徴の評価:拡張的アブレーション研究
• Authors: Christos Theodoropoulos, Natasha Mulligan, Joao Bettencourt-Silva,
• Abstract要約: そこで本研究では,MIMIC-IIIデータセットから得られた構造化情報と非構造化情報を用いて学習したGNNモデルの結果を体系的に検証する手法を提案する。 本研究は,PKGにおける読み出し予測の課題に対する予測的特徴の同定におけるこのアプローチの堅牢性を示す。
• 参考スコア（独自算出の注目度）: 0.757843972001219
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Developing novel predictive models with complex biomedical information is challenging due to various idiosyncrasies related to heterogeneity, standardization or sparseness of the data. We previously introduced a person-centric ontology to organize information about individual patients, and a representation learning framework to extract person-centric knowledge graphs (PKGs) and to train Graph Neural Networks (GNNs). In this paper, we propose a systematic approach to examine the results of GNN models trained with both structured and unstructured information from the MIMIC-III dataset. Through ablation studies on different clinical, demographic, and social data, we show the robustness of this approach in identifying predictive features in PKGs for the task of readmission prediction.
• Abstract（参考訳）: 複雑な生体情報を用いた新しい予測モデルの開発は、データの異質性、標準化、スパース性に関連する様々な慣用性のために困難である。 我々は以前、患者に関する情報を整理するための人中心オントロジーと、人中心知識グラフ(PKG)を抽出し、グラフニューラルネットワーク(GNN)を訓練するための表現学習フレームワークを導入しました。 本稿では,MIMIC-IIIデータセットから得られた構造化情報と非構造化情報の両方を用いて学習したGNNモデルの結果を体系的に検証する手法を提案する。 異なる臨床, 人口統計, 社会データに対するアブレーション研究を通じて, 読み出し予測のタスクにおいて, PKGの予測的特徴を識別する上で, このアプローチの堅牢性を示す。

関連論文リスト

• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• Investigation of Customized Medical Decision Algorithms Utilizing Graph Neural Networks [15.04251924479172]
  本稿では,グラフニューラルネットワーク(GNN)を用いた個人化医療意思決定アルゴリズムを提案する。 提案アルゴリズムは, 疾患予測精度, 治療効果評価, 患者リスク階層化の点で, 高い性能を示した。
  論文  参考訳（メタデータ） (2024-05-23T04:30:41Z)
• Semi-Supervised Graph Representation Learning with Human-centric Explanation for Predicting Fatty Liver Disease [2.992602379681373]
  本研究では,半教師付き学習フレームワークにおけるグラフ表現学習の可能性について検討する。 本手法は,健康診断データからリスクパターンを識別する対象類似性グラフを構築する。
  論文  参考訳（メタデータ） (2024-03-05T08:59:45Z)
• 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)
• Graph AI in Medicine [9.733108180046555]
  グラフニューラルネットワーク(GNN)は、関係によって相互接続されたノードとしてモダリティを視聴することで、データを一様に処理する。 GNNは、グラフ関係で定義された局所的なニューラル変換を通じて情報をキャプチャする。 知識グラフは、モデル駆動の洞察と医療知識を整合させることで、解釈可能性を高めることができる。
  論文  参考訳（メタデータ） (2023-10-20T19:01:01Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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。