論文の概要: LabTOP: A Unified Model for Lab Test Outcome Prediction on Electronic Health Records
- arxiv url: http://arxiv.org/abs/2502.14259v1
- Date: Thu, 20 Feb 2025 04:55:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 17:44:22.549386
- Title: LabTOP: A Unified Model for Lab Test Outcome Prediction on Electronic Health Records
- Title(参考訳): LabTOP: 電子カルテにおける実験結果予測の統一モデル
- Authors: Sujeong Im, Jungwoo Oh, Edward Choi,
- Abstract要約: 本稿では,EHRデータに基づく言語モデリング手法を活用し,実験結果を予測する統一モデルであるLabTOPを提案する。
公開されている3つのEHRデータセット上でLabTOPを評価し、既存の手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 9.623090402086692
- License:
- Abstract: Lab tests are fundamental for diagnosing diseases and monitoring patient conditions. However, frequent testing can be burdensome for patients, and test results may not always be immediately available. To address these challenges, we propose LabTOP, a unified model that predicts lab test outcomes by leveraging a language modeling approach on EHR data. Unlike conventional methods that estimate only a subset of lab tests or classify discrete value ranges, LabTOP performs continuous numerical predictions for a diverse range of lab items. We evaluate LabTOP on three publicly available EHR datasets and demonstrate that it outperforms existing methods, including traditional machine learning models and state-of-the-art large language models. We also conduct extensive ablation studies to confirm the effectiveness of our design choices. We believe that LabTOP will serve as an accurate and generalizable framework for lab test outcome prediction, with potential applications in clinical decision support and early detection of critical conditions.
- Abstract(参考訳): ラボテストは、疾患の診断と患者の状態のモニタリングに基本である。
しかし、頻繁な検査は患者にとって負担になりがちであり、検査結果がすぐに手に入るとは限らない。
これらの課題に対処するため,EHRデータに言語モデリングアプローチを活用することで実験結果を予測する統一モデルであるLabTOPを提案する。
実験室テストのサブセットのみを推定したり、離散値範囲を分類する従来の手法とは異なり、LabTOPは様々な実験室の項目に対して連続的な数値予測を行う。
公開されている3つのEHRデータセット上でLabTOPを評価し、従来の機械学習モデルや最先端の大規模言語モデルなど、既存の手法よりも優れていることを示す。
また、設計選択の有効性を確認するため、広範囲にわたるアブレーション研究も行っています。
LabTOPは臨床検査結果予測のための正確で一般化可能なフレームワークとして機能し,臨床診断支援や早期診断に応用できると考えている。
関連論文リスト
- Representation Learning of Lab Values via Masked AutoEncoder [2.785172582119726]
逐次的な実験値の計算のためのトランスフォーマーベースのマスク付きオートエンコーダフレームワークであるLab-MAEを提案する。
MIMIC-IVデータセットの実験的評価は、Lab-MAEが最先端のベースラインを大幅に上回っていることを示している。
Lab-MAEは、患者の人口集団間で同等のパフォーマンスを達成し、臨床予測において公平性を向上させる。
論文 参考訳(メタデータ) (2025-01-05T20:26:49Z) - CardioLab: Laboratory Values Estimation from Electrocardiogram Features -- An Exploratory Study [1.068128849363198]
実験室の価値は医学診断の基盤となっているが、遅いターンアラウンド時間と高いコストに悩まされている。
変革の可能性にもかかわらず、この領域は医療コミュニティ内では比較的過小評価されている。
木質モデルを用いて,心電図の特徴と患者の人口動態から実験室値の推測が可能かを検討した。
論文 参考訳(メタデータ) (2024-07-26T09:40:30Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳(メタデータ) (2024-03-12T18:12:02Z) - Labrador: Exploring the Limits of Masked Language Modeling for Laboratory Data [2.8498944632323755]
ラブラドールとBERTは電子健康記録から1億の実験結果のコーパスで事前訓練された。
どちらのモデルも事前学習タスクの熟達を示すが、下流の教師付きタスクではXGBoostを一貫して上回らない。
我々のアブレーション研究は、転送学習がBERTに対して限られた有効性を示し、ラブラドールで限界的な成功を達成していることを示している。
論文 参考訳(メタデータ) (2023-12-09T23:43:35Z) - Can You Rely on Your Model Evaluation? Improving Model Evaluation with
Synthetic Test Data [75.20035991513564]
本稿では,モデル評価を容易にする深層生成モデリングフレームワークである3Sテストを紹介する。
私たちの実験では、3Sテストが従来のベースラインより優れていることが示されています。
これらの結果は、限られた実テストデータから合成テストデータへのパラダイムシフトが必要かどうかという問題を提起する。
論文 参考訳(メタデータ) (2023-10-25T10:18:44Z) - 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) - Using Machine Learning to Develop Smart Reflex Testing Protocols [12.468008540052868]
我々は「スマート」反射テストのための機械学習ベースの代替手法を提案する。
我々は、CBC検査を受ける患者がフェリチン検査を受注するかどうかを予測する機械学習モデルを開発した。
本モデルは, フェリチン試験順序予測において適度に良好に機能し, 規則に基づくアプローチよりも反射試験に適していることを示した。
論文 参考訳(メタデータ) (2023-02-01T22:58:08Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - DR.BENCH: Diagnostic Reasoning Benchmark for Clinical Natural Language
Processing [5.022185333260402]
診断推論ベンチマーク(DR.BENCH)は臨床診断推論能力を持つcNLPモデルの開発と評価のための新しいベンチマークである。
DR.BENCHは、訓練済みの言語モデルを評価するための自然言語生成フレームワークとして設計された最初の臨床スイートである。
論文 参考訳(メタデータ) (2022-09-29T16:05:53Z) - 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) - 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。