論文の概要: Design and Evaluation of a CDSS for Drug Allergy Management Using LLMs and Pharmaceutical Data Integration
- arxiv url: http://arxiv.org/abs/2409.16395v1
- Date: Tue, 24 Sep 2024 18:55:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 08:41:00.675411
- Title: Design and Evaluation of a CDSS for Drug Allergy Management Using LLMs and Pharmaceutical Data Integration
- Title（参考訳）: LLMと薬品データ統合を用いた薬物アレルギー治療用CDSSの設計と評価
- Authors: Gabriele De Vito, Filomena Ferrucci, Athanasios Angelakis,
- Abstract要約: Heliotはドラッグアレルギー管理のための革新的なCDSSである。
LLM(Large Language Models)と総合的な薬品データリポジトリを統合する。
ヘリオットの高精度、精度、リコール、F1スコアは、複数の実験走行で100%に達した。
- 参考スコア（独自算出の注目度）: 3.2627279988912194
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Medication errors significantly threaten patient safety, leading to adverse drug events and substantial economic burdens on healthcare systems. Clinical Decision Support Systems (CDSSs) aimed at mitigating these errors often face limitations, including reliance on static databases and rule-based algorithms, which can result in high false alert rates and alert fatigue among clinicians. This paper introduces HELIOT, an innovative CDSS for drug allergy management, integrating Large Language Models (LLMs) with a comprehensive pharmaceutical data repository. HELIOT leverages advanced natural language processing capabilities to interpret complex medical texts and synthesize unstructured data, overcoming the limitations of traditional CDSSs. An empirical evaluation using a synthetic patient dataset and expert-verified ground truth demonstrates HELIOT's high accuracy, precision, recall, and F1 score, uniformly reaching 100\% across multiple experimental runs. The results underscore HELIOT's potential to enhance decision support in clinical settings, offering a scalable, efficient, and reliable solution for managing drug allergies.
- Abstract（参考訳）: 医療ミスは患者の安全を著しく脅かし、有害な薬物事件と医療システムに重大な経済的負担をもたらす。
これらのエラーを緩和することを目的とした臨床決定支援システム(CDSS)は、静的データベースやルールベースのアルゴリズムへの依存など、しばしば制限に直面している。
本稿では、薬物アレルギー管理のための革新的なCDSSであるHELIOTを紹介し、LLM(Large Language Models)と総合的な医薬データリポジトリを統合する。
HELIOTは高度な自然言語処理機能を活用して、複雑な医学テキストを解釈し、非構造化データを合成し、従来のCDSSの限界を克服する。
人工患者データセットと専門家検証地上真実を用いた実験的な評価は、HELIOTの高精度、精度、リコール、F1スコアを示し、複数の実験走行で100倍に達する。
この結果は、HELIOTが臨床試験における意思決定支援を強化する可能性を強調し、スケーラブルで効率的で信頼性の高い薬物アレルギー管理ソリューションを提供する。
関連論文リスト
- AIPatient: Simulating Patients with EHRs and LLM Powered Agentic Workflow [33.8495939261319]
本稿では,AIPatient Knowledge Graph (AIPatient KG) を入力とし,生成バックボーンとしてReasoning Retrieval-Augmented Generation (RAG) を開発した。
Reasoning RAGは、検索、KGクエリ生成、抽象化、チェッカー、書き直し、要約を含むタスクにまたがる6つのLLMエージェントを活用する。
ANOVA F-value 0.6126, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.6126, p>0.1)。
論文 参考訳（メタデータ） (2024-09-27T17:17:15Z) - TCKAN:A Novel Integrated Network Model for Predicting Mortality Risk in Sepsis Patients [0.0]
セプシスは世界的な健康上の脅威となり、毎年何百万人もの死者を出し、経済的にかなりのコストがかかる。
現在のメソッドは通常、定数、時間、ICDコードのいずれかの1種類のデータしか利用しない。
Time-Constant Kolmogorov-Arnold Network (TCKAN)は、時間的データ、定数データ、ICDコードを単一の予測モデルに統合する。
論文 参考訳（メタデータ） (2024-07-09T05:37:50Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - Mixed-Integer Projections for Automated Data Correction of EMRs Improve
Predictions of Sepsis among Hospitalized Patients [7.639610349097473]
本稿では,領域制約として臨床専門知識をシームレスに統合する革新的プロジェクションに基づく手法を提案する。
我々は、患者データの健全な範囲を規定する制約から補正されたデータの距離を測定する。
AUROCは0.865で、精度は0.922で、従来のMLモデルを上回る。
論文 参考訳（メタデータ） (2023-08-21T15:14:49Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Transformer-based unsupervised patient representation learning based on
medical claims for risk stratification and analysis [3.5492837081144204]
トランスフォーマーベースのマルチモーダルオートエンコーダ(TMAE)は,クレームデータから有意義な情報を符号化することで,効率的な患者表現を学習することができる。
我々は,60,000人以上の患者を対象とする実世界の小児検診データセットを用いてTMAEを訓練した。
論文 参考訳（メタデータ） (2021-06-23T21:29:50Z) - 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) - SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with
Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。
SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。
合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
論文 参考訳（メタデータ） (2021-01-26T18:59:26Z) - EVA: Generating Longitudinal Electronic Health Records Using Conditional
Variational Autoencoders [34.22731849545798]
離散的な EHR の出会いと出会いの特徴を合成するための EHR Variational Autoencoder (EVA) を提案する。
EVAは現実的なシーケンスを生成でき、患者間の個人差を考慮し、特定の疾患条件で条件付けできる。
250,000人以上の患者を含む大規模な現実世界のEHRリポジトリの方法の有用性を評価します。
論文 参考訳（メタデータ） (2020-12-18T02:37:49Z) - Learning for Dose Allocation in Adaptive Clinical Trials with Safety
Constraints [84.09488581365484]
新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。
最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。
本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
論文 参考訳（メタデータ） (2020-06-09T03:06:45Z)
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。