論文の概要: Representation Learning to Advance Multi-institutional Studies with Electronic Health Record Data

• arxiv url: http://arxiv.org/abs/2502.08547v1
• Date: Wed, 12 Feb 2025 16:29:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:48:27.518299
• Title: Representation Learning to Advance Multi-institutional Studies with Electronic Health Record Data
• Title（参考訳）: 電子カルテデータを用いた多施設研究の促進のための表現学習
• Authors: Doudou Zhou, Han Tong, Linshanshan Wang, Suqi Liu, Xin Xiong, Ziming Gan, Romain Griffier, Boris Hejblum, Yun-Chung Liu, Chuan Hong, Clara-Lea Bonzel, Tianrun Cai, Kevin Pan, Yuk-Lam Ho, Lauren Costa, Vidul A. Panickan, J. Michael Gaziano, Kenneth Mandl, Vianney Jouhet, Rodolphe Thiebaut, Zongqi Xia, Kelly Cho, Katherine Liao, Tianxi Cai,
• Abstract要約: GAMEアルゴリズムは、7つの機関と2つの言語でテストされ、検証される。 共同でトレーニングされた埋め込みは、データプライバシを保護するために、転送とフェデレーション学習を使用して作成される。 精神疾患患者におけるアルツハイマー病の予後と自殺リスクに関する研究におけるGAMEの応用を強調した。
• 参考スコア（独自算出の注目度）: 4.571383121011556
• License:
• Abstract: The adoption of EHRs has expanded opportunities to leverage data-driven algorithms in clinical care and research. A major bottleneck in effectively conducting multi-institutional EHR studies is the data heterogeneity across systems with numerous codes that either do not exist or represent different clinical concepts across institutions. The need for data privacy further limits the feasibility of including multi-institutional patient-level data required to study similarities and differences across patient subgroups. To address these challenges, we developed the GAME algorithm. Tested and validated across 7 institutions and 2 languages, GAME integrates data in several levels: (1) at the institutional level with knowledge graphs to establish relationships between codes and existing knowledge sources, providing the medical context for standard codes and their relationship to each other; (2) between institutions, leveraging language models to determine the relationships between institution-specific codes with established standard codes; and (3) quantifying the strength of the relationships between codes using a graph attention network. Jointly trained embeddings are created using transfer and federated learning to preserve data privacy. In this study, we demonstrate the applicability of GAME in selecting relevant features as inputs for AI-driven algorithms in a range of conditions, e.g., heart failure, rheumatoid arthritis. We then highlight the application of GAME harmonized multi-institutional EHR data in a study of Alzheimer's disease outcomes and suicide risk among patients with mental health disorders, without sharing patient-level data outside individual institutions.
• Abstract（参考訳）: EHRの採用により、臨床医療と研究にデータ駆動アルゴリズムを活用する機会が拡大した。 多施設間EHR研究を効果的に実施する際の大きなボトルネックは、多数のコードを持つシステム間でのデータの異質性であり、組織間で異なる臨床概念を表現できない。 データプライバシの必要性は、患者サブグループ間の類似性や差異を研究するために必要な、複数の制度的な患者レベルのデータを含める可能性をさらに制限する。 これらの課題に対処するため,我々はGAMEアルゴリズムを開発した。 GAMEは、(1)コードと既存の知識ソースの関係を確立するための知識グラフと機関レベルでの知識グラフ、(2)標準コードと確立された標準コードとの間の関係を決定するための言語モデルを活用する機関間、(3)グラフアテンションネットワークを用いたコード間の関係の強さの定量化。 共同でトレーニングされた埋め込みは、データプライバシを保護するために、転送とフェデレーション学習を使用して作成される。 本研究では,GAMEがAI駆動型アルゴリズムの入力として,例えば心不全,関節リウマチ,関節リウマチなど,関連する特徴の選択に適用可能であることを示す。 次に、精神疾患患者のアルツハイマー病結果と自殺リスクに関する研究において、患者レベルデータを個別の施設外で共有することなく、GAME調和多施設EMHデータの適用を強調した。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Multi-Modal Federated Learning for Cancer Staging over Non-IID Datasets with Unbalanced Modalities [9.476402318365446]
  本研究では,データサンプルの不均一性だけでなく,機関間のデータモダリティの固有不均一性と不均一性を両立する新しいFLアーキテクチャを提案する。 マルチモーダルFLに適した分散勾配ブレンディングと近接対応クライアント重み付け戦略を考案した。
  論文  参考訳（メタデータ） (2024-01-07T23:45:01Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Distributed Learning Approaches for Automated Chest X-Ray Diagnosis [0.0]
  医療機関のコンソーシアムが特定の疾患を特定するために機械学習モデルをトレーニングする必要がある場合、プライバシー問題に対処する戦略に焦点を当てる。 特に,本分析では,クライアントデータにおけるデータ分散の違いが,機関間のデータ交換頻度に与える影響について検討した。
  論文  参考訳（メタデータ） (2021-10-04T14:22:29Z)
• Federated Learning for Multi-Center Imaging Diagnostics: A Study in Cardiovascular Disease [0.8687046723936027]
  心臓血管磁気共鳴(CMR)のモダリティに関する第1回フェデレート学習研究について紹介する。 我々は、肥大型心筋症(HCM)の診断に焦点を当て、M&MデータセットとACDCデータセットのサブセットから派生した4つのセンターを使用する。 データのサイズが小さい(4つのセンターから180の被験者を抽出)にもかかわらず、プライバシ保護のためのフェデレーション学習が有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-07-07T08:54:08Z)
• FedMood:Federated Learning on Mobile Health Data for Mood Detection [26.263092039195786]
  うつ病は最も一般的な精神疾患問題の1つです。 従来の集中型機械学習は、患者データを集約する必要がある。 精神疾患患者のデータのプライバシーは厳密に守らなければならない。
  論文  参考訳（メタデータ） (2021-02-06T15:19:08Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
  政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。 提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
  論文  参考訳（メタデータ） (2020-04-29T15:02:41Z)

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。