論文の概要: Antibiotic Resistance Microbiology Dataset (ARMD): A Resource for Antimicrobial Resistance from EHRs

• arxiv url: http://arxiv.org/abs/2503.07664v2
• Date: Mon, 21 Jul 2025 21:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 15:16:10.860157
• Title: Antibiotic Resistance Microbiology Dataset (ARMD): A Resource for Antimicrobial Resistance from EHRs
• Title（参考訳）: 抗生物質耐性微生物学データセット(ARMD)
• Abstract要約: ARMDは、2つの学術関連病院で15年以上にわたって収集された成人患者のビッグデータを含んでいる。 主な属性は、生物の同定、55種類の抗生物質の感受性パターン、インプリッド・サセプティビリティ・ルール、未同定の患者情報である。 本稿では,データセットの取得,構造,有用性について述べるとともに,その識別プロセスについて詳述する。
• 参考スコア（独自算出の注目度）: 2.690960829234157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Antibiotic Resistance Microbiology Dataset (ARMD) is a de-identified resource derived from electronic health records (EHR) that facilitates research in antimicrobial resistance (AMR). ARMD encompasses big data from adult patients collected from over 15 years at two academic-affiliated hospitals, focusing on microbiological cultures, antibiotic susceptibilities, and associated clinical and demographic features. Key attributes include organism identification, susceptibility patterns for 55 antibiotics, implied susceptibility rules, and de-identified patient information. This dataset supports studies on antimicrobial stewardship, causal inference, and clinical decision-making. ARMD is designed to be reusable and interoperable, promoting collaboration and innovation in combating AMR. This paper describes the dataset's acquisition, structure, and utility while detailing its de-identification process.
• Abstract（参考訳）: 抗生物質耐性微生物学データセット(英語: antibiotic resistance Microbiology Dataset, ARMD)は、電気的健康記録(EHR)から派生した、抗生物質耐性の研究を促進する未同定資源である。 ARMDは、2つの学術関連病院で15年以上に渡り収集された成人患者のビッグデータを含み、微生物文化、抗生物質感受性、臨床および人口動態の特徴に焦点を当てている。 主な属性は、生物の同定、55種類の抗生物質の感受性パターン、インプリッド・サセプティビリティ・ルール、未同定の患者情報である。 このデータセットは、抗菌スチュワードシップ、因果推論、臨床意思決定の研究をサポートする。 ARMDは再利用可能で相互運用可能なように設計されており、AMRと戦うためのコラボレーションとイノベーションを促進する。 本稿では,データセットの取得,構造,有用性について述べるとともに,その識別プロセスについて詳述する。

関連論文リスト

• Predicting Multi-Drug Resistance in Bacterial Isolates Through Performance Comparison and LIME-based Interpretation of Classification Models [0.0]
  本研究では,細菌由来の多剤耐性(MDR)を予測するための解釈可能な機械学習フレームワークを提案する。 ロジスティック回帰、ランダムフォレスト、AdaBoost、XGBoost、LightGBMの5つの分類モデルが評価された。 アンサンブルモデル、特にXGBoostとLightGBMは、すべてのメトリクスに対して優れた予測能力を示した。
  論文  参考訳（メタデータ） (2026-02-25T20:50:01Z)
• A deep reinforcement learning platform for antibiotic discovery [101.30486136547285]
  抗微生物抵抗性(AMR)は2050年までに最大1000万人が死亡すると予想されている。 本稿では,抗生物質のde novo設計のためのディープラーニングフレームワークであるApexAmphionを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T18:21:42Z)
• From Data to Action: Charting A Data-Driven Path to Combat Antimicrobial Resistance [19.73846039520307]
  抗微生物耐性微生物(AMR)は、医療分野での課題であり、現代医学では効果がない。 データ駆動型手法は、その原因と治療に関する有望な洞察を提供する。 本稿では、データ分析と機械学習の観点からAMRの研究をレビューする。
  論文  参考訳（メタデータ） (2025-01-30T11:37:17Z)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Enhancing Antibiotic Stewardship using a Natural Language Approach for Better Feature Representation [0.0]
  抗生物質耐性菌の急速な出現は、世界的な医療危機として認識されている。 本研究は, 抗生物質スチュワードシップ改善のための臨床意思決定支援システムの利用について検討する。 EHRシステムは、データの効率的な合成と利用を複雑にし、多くのデータレベルの課題を提示している。
  論文  参考訳（メタデータ） (2024-05-30T18:53:53Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance of Containment Measures [65.62256987706128]
  比較疫学モデルは、疾患の状態に基づいて個人を分類する。 我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。 スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
  論文  参考訳（メタデータ） (2023-07-28T08:01:05Z)
• EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
  本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。 DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
  論文  参考訳（メタデータ） (2022-08-01T18:47:03Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Machine learning techniques to identify antibiotic resistance in patients diagnosed with various skin and soft tissue infections [1.897172519574925]
  皮膚および軟部組織感染症(SSTIs)は、最も頻度の高い疾患の1つである。 多様な細菌性病原体の抗生物質に対する耐性は、重篤なSSTIの重大な原因である。 我々は、抗生物質感受性試験データを用いて、抗菌性を予測する機械学習(ML)モデルを開発した。
  論文  参考訳（メタデータ） (2022-02-28T01:08:02Z)
• Predicting Antimicrobial Resistance in the Intensive Care Unit [5.129856875153228]
  本研究は,臨床および微生物学的予測器を用いたAMRの予測モデルを開発する。 培養前の抵抗を正確に予測できる能力は、臨床的な意思決定を知らせ、行動までの時間を短縮する可能性がある。
  論文  参考訳（メタデータ） (2021-11-05T15:50:34Z)
• Graph2MDA: a multi-modal variational graph embedding model for predicting microbe-drug associations [7.149873402253933]
  微生物は抗菌剤の開発に新たな標的となっている。 微生物と薬物の関連性のスクリーニングは、薬物の研究と開発に大きな利益をもたらす。 微生物と薬物の関連性を予測する新しい方法であるGraph2MDAを提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:33:05Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)
• Mapping the Landscape of Artificial Intelligence Applications against COVID-19 [59.30734371401316]
  世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。 我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
  論文  参考訳（メタデータ） (2020-03-25T12:30:33Z)

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。