Fugu-MT 論文翻訳(概要): Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment

論文の概要: Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment

arxiv url: http://arxiv.org/abs/2503.07638v1
Date: Wed, 05 Mar 2025 08:19:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-12 15:45:31.444677
Title: Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment
Title（参考訳）: 患者治療における次の活動予測のための分類学的類似の活用
Authors: Martin Kuhn, Joscha Grüger, Tobias Geyer, Ralph Bergmann,
Abstract要約: 次活動予測(Next-active-Prediction:NAP)は、医師が治療計画を支援するための有望な手法として用いられる。患者データの使用は、その知識集約性、高い変動性、医療データの不足など、多くの課題を生んでいる。本稿では、グラフに符号化された知識を用いて、治療プロセスにおける次の活動の予測を改善し、説明する。
参考スコア（独自算出の注目度）: 0.22499166814992436
License:
Abstract: The rapid progress in modern medicine presents physicians with complex challenges when planning patient treatment. Techniques from the field of Predictive Business Process Monitoring, like Next-activity-prediction (NAP) can be used as a promising technique to support physicians in treatment planning, by proposing a possible next treatment step. Existing patient data, often in the form of electronic health records, can be analyzed to recommend the next suitable step in the treatment process. However, the use of patient data poses many challenges due to its knowledge-intensive character, high variability and scarcity of medical data. To overcome these challenges, this article examines the use of the knowledge encoded in taxonomies to improve and explain the prediction of the next activity in the treatment process. This study proposes the TS4NAP approach, which uses medical taxonomies (ICD-10-CM and ICD-10-PCS) in combination with graph matching to assess the similarities of medical codes to predict the next treatment step. The effectiveness of the proposed approach will be evaluated using event logs that are derived from the MIMIC-IV dataset. The results highlight the potential of using domain-specific knowledge held in taxonomies to improve the prediction of the next activity, and thus can improve treatment planning and decision-making by making the predictions more explainable.
Abstract（参考訳）: 近代医学の急速な進歩は、患者の治療計画において、複雑な課題を医師に提示する。 Next- Activity-Prediction (NAP)のような予測ビジネスプロセス監視の分野からのテクニックは、次の治療ステップを提案することで、治療計画において医師を支援するための有望なテクニックとして使用できる。既存の患者データは、しばしば電子健康記録の形で分析され、治療プロセスにおける次の適切なステップを推奨することができる。しかし、患者データの使用は、その知識集約性、高い変動性、医療データの不足など、多くの課題を生んでいる。これらの課題を克服するために,本論文では,分類学でコード化されている知識を用いて,治療プロセスにおける次の活動の予測と説明を行う。本研究は,ICD-10-CMとICD-10-PCSを併用したTS4NAP手法を提案する。提案手法の有効性をMIMIC-IVデータセットから抽出したイベントログを用いて評価する。その結果、分類学で保持されるドメイン固有の知識を用いて次の活動の予測を改善する可能性を強調し、予測をより説明しやすくすることで、治療計画と意思決定を改善することが可能となった。

関連論文リスト

Automatic Prediction of Stroke Treatment Outcomes: Latest Advances and Perspectives [3.7570334364848073]
ディープラーニング技術の導入と開発は、大規模で多様な医療データを分析するのに役立ちます。医用画像分析領域における共通データ標準化の課題にもかかわらず、脳卒中結果予測におけるディープラーニングの未来は、マルチモーダル情報を使うことにある。このレビューは、研究者、臨床医、政策立案者に対して、この急速に発展し、有望な分野に関する最新の理解を提供することを目的としている。
論文参考訳（メタデータ） (2024-12-06T07:06:21Z)
Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文参考訳（メタデータ） (2024-10-06T18:46:28Z)
A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis [3.5280004326441365]
PatWay-Netは、敗血症患者の集中治療室への入院の予測を解釈するために設計されたMLフレームワークである。本稿では,新しいタイプのリカレントニューラルネットワークを提案し,それを多層パーセプトロンと組み合わせて患者経路を処理する。我々は、患者の健康状態、予測結果、関連するリスクを視覚化する包括的ダッシュボードを通じて、その実用性を実証する。
論文参考訳（メタデータ） (2024-05-21T20:31:42Z)
Exploring Runtime Decision Support for Trauma Resuscitation [7.3268099910347715]
我々は,実行時次分間のアクティビティ予測を提供する治療推薦システムを開発した。このシステムは、患者コンテキスト(例えば、人口統計学やバイタルサイン)とプロセスコンテキスト(例えば、活動)を使用して、次の数分で実行されるアクティビティを継続的に予測する。ベストモデルの平均F1スコアは61種類の活動に対して0.67であった。
論文参考訳（メタデータ） (2022-07-06T19:02:43Z)
Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with Electronic Medical Record Data [18.77246683875067]
最適な治療体制は、最も全体的な臨床効果が期待されるものとなり、多くの注目を集めている。半教師付き環境下での電子カルテデータによる最適治療体制の推定について検討する。
論文参考訳（メタデータ） (2022-03-04T13:54:35Z)
Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文参考訳（メタデータ） (2021-12-19T01:45:57Z)
Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文参考訳（メタデータ） (2021-12-17T04:39:33Z)
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)
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)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。