論文の概要: Foundation Model of Electronic Medical Records for Adaptive Risk Estimation

• arxiv url: http://arxiv.org/abs/2502.06124v1
• Date: Mon, 10 Feb 2025 03:22:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:34:30.845317
• Title: Foundation Model of Electronic Medical Records for Adaptive Risk Estimation
• Title（参考訳）: 適応的リスク推定のための電子カルテの基礎モデル
• Authors: Pawel Renc, Michal K. Grzeszczyk, Nassim Oufattole, Deirdre Goode, Yugang Jia, Szymon Bieganski, Matthew B. A. McDermott, Jaroslaw Was, Anthony E. Samir, Jonathan W. Cunningham, David W. Bates, Arkadiusz Sitek,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.248030496243407
• License:
• Abstract: We developed the Enhanced Transformer for Health Outcome Simulation (ETHOS), an AI model that tokenizes patient health timelines (PHTs) from EHRs. ETHOS predicts future PHTs using transformer-based architectures. The Adaptive Risk Estimation System (ARES) employs ETHOS to compute dynamic and personalized risk probabilities for clinician-defined critical events. ARES incorporates a personalized explainability module that identifies key clinical factors influencing risk estimates for individual patients. ARES was evaluated on the MIMIC-IV v2.2 dataset in emergency department (ED) settings, benchmarking its performance against traditional early warning systems and machine learning models. We processed 299,721 unique patients from MIMIC-IV into 285,622 PHTs, with 60% including hospital admissions. The dataset contained over 357 million tokens. ETHOS outperformed benchmark models in predicting hospital admissions, ICU admissions, and prolonged hospital stays, achieving superior AUC scores. ETHOS-based risk estimates demonstrated robustness across demographic subgroups with strong model reliability, confirmed via calibration curves. The personalized explainability module provides insights into patient-specific factors contributing to risk. ARES, powered by ETHOS, advances predictive healthcare AI by providing dynamic, real-time, and personalized risk estimation with patient-specific explainability to enhance clinician trust. Its adaptability and superior accuracy position it as a transformative tool for clinical decision-making, potentially improving patient outcomes and resource allocation in emergency and inpatient settings. We release the full code at github.com/ipolharvard/ethos-ares to facilitate future research.
• Abstract（参考訳）: ETHOS(Enhanced Transformer for Health Outcome Simulation)は,患者の健康スケジュール(PHT)をEHRからトークン化するAIモデルである。 ETHOSはトランスフォーマーベースのアーキテクチャを用いて将来のPHTを予測する。 適応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動的かつ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。 ARESは救急部門(ED)のMIMIC-IV v2.2データセットで評価され、従来の早期警戒システムや機械学習モデルと比較された。 299,721人のMIMIC-IV患者を285,622個のPHTに処理し,60%が入院した。 データセットには3億7700万以上のトークンが含まれていた。 ETHOSは、入院、ICU入院、長期入院の予測におけるベンチマークモデルよりも優れ、AUCスコアが優れている。 ETHOSに基づくリスク推定は, モデル信頼性の強い集団群間で頑健性を示し, キャリブレーション曲線で確認した。 パーソナライズされた説明責任モジュールは、リスクに寄与する患者固有の要因に関する洞察を提供する。 ETHOSをベースとするARESは、ダイナミックでリアルタイム、パーソナライズされたリスク推定を提供することで、予測型ヘルスケアAIを進化させ、臨床医の信頼を高める。 適応性と精度が優れており、臨床診断のための変換ツールとして位置づけられており、緊急および入院時に患者の成果と資源配分を改善する可能性がある。 将来の研究を促進するため、github.com/ipolharvard/ethos-aresで全コードをリリースします。

関連論文リスト

• Explainable AI for Classifying UTI Risk Groups Using a Real-World Linked EHR and Pathology Lab Dataset [0.47517735516852333]
  尿路感染症(UTIs)の特徴付けにリンクEHRデータセットを活用する 臨床専門知識からUTIリスク推定フレームワークを導入し,個別の患者タイムラインにまたがってUTIリスクを推定する。 リスクグループ間で臨床および人口統計学的予測値の違いが判明した。
  論文  参考訳（メタデータ） (2024-11-26T18:10:51Z)
• DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
  デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。 3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T18:56:31Z)
• 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)
• 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)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Generating Synthetic Mixed-type Longitudinal Electronic Health Records for Artificial Intelligent Applications [9.374416143268892]
  EHR-M-GAN (Generative Adversarial Network, GAN) は、EHRデータを合成する。 EHR-M-GANは,141,488名の患者を対象とし,3つの公用集中治療単位データベース上で検証した。
  論文  参考訳（メタデータ） (2021-12-22T17:17:34Z)
• Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
  EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。 集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。 我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-16T11:19:02Z)
• 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)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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。