論文の概要: DualMAR: Medical-Augmented Representation from Dual-Expertise Perspectives

• arxiv url: http://arxiv.org/abs/2410.19955v1
• Date: Fri, 25 Oct 2024 20:25:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:15:35.256643
• Title: DualMAR: Medical-Augmented Representation from Dual-Expertise Perspectives
• Title（参考訳）: DualMAR:Dual-Expertiseの立場から
• Authors: Pengfei Hu, Chang Lu, Fei Wang, Yue Ning,
• Abstract要約: 本研究では,個人観測データと公開知識ベースによる予測タスクを強化するフレームワークであるDualMARを提案する。 極空間上の座標の取得と角化により、DualMARはKGからのリッチな階層的およびセマンティックな埋め込みに基づく正確な予測を可能にする。
• 参考スコア（独自算出の注目度）: 20.369746122143063
• License:
• Abstract: Electronic Health Records (EHR) has revolutionized healthcare data management and prediction in the field of AI and machine learning. Accurate predictions of diagnosis and medications significantly mitigate health risks and provide guidance for preventive care. However, EHR driven models often have limited scope on understanding medical-domain knowledge and mostly rely on simple-and-sole ontologies. In addition, due to the missing features and incomplete disease coverage of EHR, most studies only focus on basic analysis on conditions and medication. We propose DualMAR, a framework that enhances EHR prediction tasks through both individual observation data and public knowledge bases. First, we construct a bi-hierarchical Diagnosis Knowledge Graph (KG) using verified public clinical ontologies and augment this KG via Large Language Models (LLMs); Second, we design a new proxy-task learning on lab results in EHR for pretraining, which further enhance KG representation and patient embeddings. By retrieving radial and angular coordinates upon polar space, DualMAR enables accurate predictions based on rich hierarchical and semantic embeddings from KG. Experiments also demonstrate that DualMAR outperforms state-of-the-art models, validating its effectiveness in EHR prediction and KG integration in medical domains.
• Abstract（参考訳）: EHR(Electronic Health Records)は、AIと機械学習の分野で、医療データ管理と予測に革命をもたらした。 診断と薬剤の正確な予測は、健康リスクを著しく軽減し、予防ケアのためのガイダンスを提供する。 しかし、EHR駆動モデルは医学領域の知識を理解する範囲が限られており、ほとんどは単純なオントロジーに依存している。 また, EHR の特徴の欠如と不完全な疾患のカバーのため, 条件や薬物に関する基礎的分析にのみ焦点をあてる研究がほとんどである。 本研究では、個人観測データと公開知識ベースの両方を通して、EHR予測タスクを強化するフレームワークであるDualMARを提案する。 まず,実証された臨床オントロジーを用いて,このKGをLarge Language Models (LLMs) を介して拡張する二階層的診断知識グラフ(KG)を構築した。 極空間上の半径座標と角座標を取得することで、DualMARはKGからのリッチ階層的およびセマンティックな埋め込みに基づく正確な予測を可能にする。 また、DualMARは最先端のモデルよりも優れており、EHR予測や医療領域でのKG統合の有効性が検証されている。

関連論文リスト

• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation [0.0]
  NECHOは,階層的正規化を伴う新しい医用コード中心のマルチモーダル・コントラスト学習フレームワークである。 まず, 医用コード, 人口統計, 臨床ノートを含む多面的情報をネットワーク設計を用いて統合する。 また,EHRデータの階層構造を学習するために,医療オントロジーにおける親レベル情報を用いてモダリティ固有のエンコーダを正規化する。
  論文  参考訳（メタデータ） (2024-01-22T01:58:32Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Modeling electronic health record data using a knowledge-graph-embedded topic model [6.170782354287972]
  エンド・ツー・エンドの知識グラフに基づくマルチモーダル組込みトピックモデルであるKG-ETMを提案する。 KG-ETMは、医療知識グラフから埋め込みを学習することで、HRデータから潜伏病トピックを抽出する。 また,本モデルでは,患者層化と薬剤推奨のための解釈可能かつ正確な患者表現も発見できる。
  論文  参考訳（メタデータ） (2022-06-03T07:58:17Z)
• 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)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• 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)
• CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic for Interpretable Prognosis [20.701122594508675]
  新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。 CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。 実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
  論文  参考訳（メタデータ） (2020-07-17T09:20:56Z)

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。