論文の概要: PT: A Plain Transformer is Good Hospital Readmission Predictor
- arxiv url: http://arxiv.org/abs/2412.12909v1
- Date: Tue, 17 Dec 2024 13:37:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:57:49.140181
- Title: PT: A Plain Transformer is Good Hospital Readmission Predictor
- Title(参考訳): PT:Plain Transformerは病院の入院予測に最適
- Authors: Zhenyi Fan, Jiaqi Li, Dongyu Luo, Yuqi Yuan,
- Abstract要約: 高い寛容率はしばしば不適切な治療や退院後のケアを示す。
本稿では,電子健康記録(EHR),医用画像,臨床ノートを統合したトランスフォーマーベースモデルPTを提案する。
PTは生のデータから特徴を抽出し、データの複雑さに合わせて専用のTransformerブロックを使用する。
- 参考スコア(独自算出の注目度): 1.2695170900407071
- License:
- Abstract: Hospital readmission prediction is critical for clinical decision support, aiming to identify patients at risk of returning within 30 days post-discharge. High readmission rates often indicate inadequate treatment or post-discharge care, making effective prediction models essential for optimizing resources and improving patient outcomes. We propose PT, a Transformer-based model that integrates Electronic Health Records (EHR), medical images, and clinical notes to predict 30-day all-cause hospital readmissions. PT extracts features from raw data and uses specialized Transformer blocks tailored to the data's complexity. Enhanced with Random Forest for EHR feature selection and test-time ensemble techniques, PT achieves superior accuracy, scalability, and robustness. It performs well even when temporal information is missing. Our main contributions are: (1)Simplicity: A powerful and efficient baseline model outperforming existing ones in prediction accuracy; (2)Scalability: Flexible handling of various features from different modalities, achieving high performance with just clinical notes or EHR data; (3)Robustness: Strong predictive performance even with missing or unclear temporal data.
- Abstract(参考訳): 退院後30日以内に退院するリスクのある患者を特定することを目的として,臨床診断支援に病院入院予測が重要である。
高い寛容率は、しばしば不十分な治療や退院後のケアを意味し、リソースの最適化と患者の成果改善に不可欠な効果的な予測モデルを作成する。
EHR(Electronic Health Records)、医療画像、臨床ノートを統合したトランスフォーマーベースモデルPTを提案する。
PTは生のデータから特徴を抽出し、データの複雑さに合わせて専用のTransformerブロックを使用する。
Random Forestによって強化されたEHR機能選択とテスト時間アンサンブル技術により、PTはより優れた精度、スケーラビリティ、堅牢性を実現する。
時間情報が欠落している場合でも良好に機能する。
本研究の主な貢献は,(1)単純性: 高精度で効率的なベースラインモデルによる予測精度の向上,(2)拡張性: 異なるモーダル性から様々な特徴を柔軟に扱えるようにし, 臨床メモやERHデータだけで高い性能を達成できること,(3)難易度: 時間的データ不足や不明瞭なデータであっても高い予測性能が得られること,などである。
関連論文リスト
- Foundation Model of Electronic Medical Records for Adaptive Risk Estimation [6.248030496243407]
健康シミュレーションのための拡張トランスフォーマー(ETHOS)は、患者タイムライン(PHT)をEHRからトークン化する。
リスク推定システム(ARES)は、臨床医が定義した臨界事象に対するダイナミックでパーソナライズされたリスク確率を計算するためにETHOSを使用している。
ARESにはパーソナライズされた説明可能性モジュールが組み込まれており、個々の患者のリスク見積に影響を与える重要な臨床要因を特定する。
論文 参考訳(メタデータ) (2025-02-10T03:22:39Z) - MuST: Multimodal Spatiotemporal Graph-Transformer for Hospital
Readmission Prediction [23.303439847592735]
本研究は,病院入退院予測のためのMultitemporal Spatio Graph-Transformer (MuST) と呼ばれる新しいモデルを提案する。
グラフコンネットワークと時間変換器を用いることで,ERHおよび胸部X線写真における空間的および時間的依存関係を効果的に捉えることができる。
次に、上記の2つのモードの特徴と、事前訓練されたドメイン固有変換器によって抽出された臨床メモの特徴を組み合わせ、融合変換器を提案する。
論文 参考訳(メタデータ) (2023-11-11T11:14:07Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳(メタデータ) (2023-10-28T12:08:03Z) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳(メタデータ) (2022-11-13T01:07:23Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - Sequential Diagnosis Prediction with Transformer and Ontological
Representation [35.88195694025553]
本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。
2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
論文 参考訳(メタデータ) (2021-09-07T13:09:55Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳(メタデータ) (2021-08-31T08:23:56Z) - Hi-BEHRT: Hierarchical Transformer-based model for accurate prediction
of clinical events using multimodal longitudinal electronic health records [23.36011610637235]
より長いシーケンスから関連を抽出できる階層型トランスフォーマーモデルHi-BEHRTを提案する。
Hi-BEHRTはマルチモーダルな大規模リンク型電子健康記録を用いて、最先端のBROCT 1%から5%を超える。
EHRを用いたHi-BEHRTのエンド・ツー・エンド事前トレーニング戦略も提案し,臨床イベントの予測における転送性の向上を図った。
論文 参考訳(メタデータ) (2021-06-21T18:47:08Z) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z)
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。