論文の概要: Evaluation of the impact of expert knowledge: How decision support scores impact the effectiveness of automatic knowledge-driven feature engineering (aKDFE)

• arxiv url: http://arxiv.org/abs/2504.05928v1
• Date: Tue, 08 Apr 2025 11:34:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:07.627118
• Title: Evaluation of the impact of expert knowledge: How decision support scores impact the effectiveness of automatic knowledge-driven feature engineering (aKDFE)
• Title（参考訳）: 専門家知識の影響評価:自動知識駆動機能工学(aKDFE)の有効性に対する意思決定支援スコアの影響
• Authors: Olof Björneld, Tora Hammar, Daniel Nilsson, Alisa Lincke, Welf Löwe,
• Abstract要約: 副作用薬物イベント(ADE)は、患者の安全性とコストに影響を与える重要な医療上の課題を提起する。 本研究では,電子健康記録(EHR)データからADE予測を改善するために,知識駆動型自動特徴工学(aKDFE)を評価する。 本研究では,長期心QT間隔に対するドメイン特異的ADEリスクスコアの導入が,EMHデータと薬物処理イベントを用いた予測性能に与える影響について検討した。
• 参考スコア（独自算出の注目度）: 0.8272083537040182
• License:
• Abstract: Adverse Drug Events (ADEs), harmful medication effects, pose significant healthcare challenges, impacting patient safety and costs. This study evaluates automatic Knowledge-Driven Feature Engineering (aKDFE) for improved ADE prediction from Electronic Health Record (EHR) data, comparing it with automated event-based Knowledge Discovery in Databases (KDD). We investigated how incorporating domain-specific ADE risk scores for prolonged heart QT interval, extracted from the Janusmed Riskprofile (Janusmed) Clinical Decision Support System (CDSS), affects prediction performance using EHR data and medication handling events. Results indicate that, while aKDFE step 1 (event-based feature generation) alone did not significantly improve ADE prediction performance, aKDFE step 2 (patient-centric transformation) enhances the prediction performance. High Area Under the Receiver Operating Characteristic curve (AUROC) values suggest strong feature correlations to the outcome, aligning with the predictive power of patients' prior healthcare history for ADEs. Statistical analysis did not confirm that incorporating the Janusmed information (i) risk scores and (ii) medication route of administration into the model's feature set enhanced predictive performance. However, the patient-centric transformation applied by aKDFE proved to be a highly effective feature engineering approach. Limitations include a single-project focus, potential bias from machine learning pipeline methods, and reliance on AUROC. In conclusion, aKDFE, particularly with patient-centric transformation, improves ADE prediction from EHR data. Future work will explore attention-based models, event feature sequences, and automatic methods for incorporating domain knowledge into the aKDFE framework.
• Abstract（参考訳）: 副作用である副作用である逆薬物イベント(ADE)は、患者の安全性とコストに影響を与える重要な医療上の課題を引き起こす。 本研究では、Electronic Health Record(EHR)データからADE予測を改善するための自動知識駆動機能エンジニアリング(aKDFE)を評価し、それをデータベース内のイベントベースの知識発見(KDD)と比較する。 我々は,Janusmed Risk notable (Janusmed) Clinical Decision Support System (CDSS) から抽出した長期心QT間隔に対するドメイン特異的ADEリスクスコアの導入が,EMHデータと治療イベントを用いた予測性能に与える影響について検討した。 その結果,aKDFEステップ1(イベントベースの特徴生成)だけでADE予測性能は向上しなかったが,aKDFEステップ2(患者中心変換)では予測性能が向上した。 AUROC(High Area Under the Receiver Operating Characteristics curve)の値は, ADEの既往歴の予測力と相関して, 結果に強い特徴相関が示唆された。 統計分析では、Janusmed情報の導入は確認されなかった i)リスクスコアとリスクスコア (II) 治療経路をモデルの特徴に組み込むことにより, 予測性能が向上した。 しかし、aKDFEが適用した患者中心の変換は、非常に効果的な特徴工学的アプローチであることが判明した。 制限には、単一プロジェクトのフォーカス、マシンラーニングパイプラインメソッドからの潜在的なバイアス、AUROCへの依存などが含まれる。 結論として、AKDFE、特に患者中心の変換は、EHRデータからADE予測を改善する。 今後は、アテンションベースのモデル、イベント特徴シーケンス、ドメイン知識をaKDFEフレームワークに組み込むための自動メソッドなどについて検討する予定である。

関連論文リスト

• Foundation Model of Electronic Medical Records for Adaptive Risk Estimation [6.248030496243407]
  米国はGDPの約18%を医療に割り当てているが、他の高所得国と比較して平均寿命が低く、死亡率も高い。 ETHOS(Enhanced Transformer for Health Outcome Simulation)は,患者の健康スケジュールをEHRからトークン化するAIモデルである。 Adaptive Risk Estimation System (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を利用する。
  論文  参考訳（メタデータ） (2025-02-10T03:22:39Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
  本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。 本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-19T03:24:34Z)
• DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep Adversarial Learning for Counterfactual Prediction and Treatment Effect Estimation on Real World Data [7.712429926730386]
  因果深い学習は、個別化された治療効果を推定する伝統的な手法よりも改善された。 DR-VIDALは治療と結果の2つのジョイントモデルを組み合わせた新しい生成フレームワークである。 DR-VIDALは、合成および実世界のデータセットにおいて、他の生成的および生成的手法よりも優れた性能を達成する。
  論文  参考訳（メタデータ） (2023-03-07T19:44:58Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• 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)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)

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。