論文の概要: Exploring Long-Term Prediction of Type 2 Diabetes Microvascular Complications

• arxiv url: http://arxiv.org/abs/2412.01331v1
• Date: Mon, 02 Dec 2024 09:54:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:50:15.473380
• Title: Exploring Long-Term Prediction of Type 2 Diabetes Microvascular Complications
• Title（参考訳）: 糖尿病2型微小血管合併症の長期予測
• Authors: Elizabeth Remfry, Rafael Henkin, Michael R Barnes, Aakanksha Naik,
• Abstract要約: 2型糖尿病患者の微小血管合併症の予測には,コードに依存しないアプローチを用いる。 本手法は,臨床言語モデルを用いて,個々のEHRをテキストとして符号化する。 コードに依存しないアプローチがコードベースモデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.711968364396988
• License:
• Abstract: Electronic healthcare records (EHR) contain a huge wealth of data that can support the prediction of clinical outcomes. EHR data is often stored and analysed using clinical codes (ICD10, SNOMED), however these can differ across registries and healthcare providers. Integrating data across systems involves mapping between different clinical ontologies requiring domain expertise, and at times resulting in data loss. To overcome this, code-agnostic models have been proposed. We assess the effectiveness of a code-agnostic representation approach on the task of long-term microvascular complication prediction for individuals living with Type 2 Diabetes. Our method encodes individual EHRs as text using fine-tuned, pretrained clinical language models. Leveraging large-scale EHR data from the UK, we employ a multi-label approach to simultaneously predict the risk of microvascular complications across 1-, 5-, and 10-year windows. We demonstrate that a code-agnostic approach outperforms a code-based model and illustrate that performance is better with longer prediction windows but is biased to the first occurring complication. Overall, we highlight that context length is vitally important for model performance. This study highlights the possibility of including data from across different clinical ontologies and is a starting point for generalisable clinical models.
• Abstract（参考訳）: 電子医療記録(EHR)は、臨床結果の予測を支援する膨大な量のデータを含んでいる。 EHRデータは、しばしば臨床コード(ICD10、SNOMED)を使用して保存され、分析されるが、これらはレジストリや医療提供者によって異なる可能性がある。 システム間でデータを統合するには、ドメインの専門知識を必要とするさまざまな臨床オントロジ間のマッピングと、時にデータ損失が発生する。 これを解決するために、コードに依存しないモデルが提案されている。 2型糖尿病患者に対する長期的微小血管合併症予測の課題に対するコード非依存的表現法の有効性を評価する。 本手法は,臨床言語モデルを用いて,個々のEHRをテキストとして符号化する。 イギリスからの大規模なERHデータを活用することで、我々は1年、5年、10年にわたって微小血管合併症のリスクを同時に予測するマルチラベルアプローチを採用しました。 コードに依存しないアプローチは、コードベースモデルよりも優れており、より長い予測ウィンドウでは性能が優れているが、最初に発生する合併症に偏っていることを示す。 全体として、文脈長はモデルの性能にとって極めて重要であることを強調する。 本研究は、様々な臨床オントロジーからのデータを含む可能性を強調し、一般的な臨床モデルの出発点である。

関連論文リスト

• 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)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• sEHR-CE: Language modelling of structured EHR data for efficient and generalizable patient cohort expansion [0.0]
  sEHR-CEは、異種臨床データセットの統合表現型化と分析を可能にするトランスフォーマーに基づく新しいフレームワークである。 大規模研究である英国バイオバンクのプライマリ・セカンダリ・ケアデータを用いてアプローチを検証する。
  論文  参考訳（メタデータ） (2022-11-30T16:00:43Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)
• How to Leverage Multimodal EHR Data for Better Medical Predictions? [13.401754962583771]
  電子健康記録(EHR)データの複雑さは、ディープラーニングの適用の課題である。 本稿では,まずEHRから臨床ノートを抽出し,これらのデータを統合する方法を提案する。 2つの医療予測タスクの結果、異なるデータを持つ融合モデルが最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-29T13:26:05Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• An efficient representation of chronological events in medical texts [9.118144540451514]
  臨床ノートで利用可能な時系列イベントから学習するための体系的手法を提案した。 提案手法は,任意の種類の逐次イベントの非パラメトリック階層表現を生成する。 この手法は、英国で最大の中等医療精神保健 EHR データを用いて開発され、外部で検証された。
  論文  参考訳（メタデータ） (2020-10-16T14:54:29Z)
• 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)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• 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)

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。