論文の概要: Combating the Bucket Effect:Multi-Knowledge Alignment for Medication Recommendation

• arxiv url: http://arxiv.org/abs/2504.18096v1
• Date: Fri, 25 Apr 2025 05:47:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.656843
• Title: Combating the Bucket Effect:Multi-Knowledge Alignment for Medication Recommendation
• Title（参考訳）: バケットの効果を議論する:服薬勧告のための多知識アライメント
• Authors: Xiang Li, Haixu Ma, Guanyong Wu, Shi Mu, Chen Li, Shunpan Liang,
• Abstract要約: 異なるモダリティからデータをシームレスに整列できるクロスモーダル医薬品エンコーダを提案する。 次に,マルチ知識の医薬品表現と患者記録を組み合わせて推奨する。 実験により、MKMedはデータの「バケット効果」を緩和し、推奨精度と安全性において最先端のベースラインを著しく上回ることが示された。
• 参考スコア（独自算出の注目度）: 7.962835256943926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medication recommendation is crucial in healthcare, offering effective treatments based on patient's electronic health records (EHR). Previous studies show that integrating more medication-related knowledge improves medication representation accuracy. However, not all medications encompass multiple types of knowledge data simultaneously. For instance, some medications provide only textual descriptions without structured data. This imbalance in data availability limits the performance of existing models, a challenge we term the "bucket effect" in medication recommendation. Our data analysis uncovers the severity of the "bucket effect" in medication recommendation. To fill this gap, we introduce a cross-modal medication encoder capable of seamlessly aligning data from different modalities and propose a medication recommendation framework to integrate Multiple types of Knowledge, named MKMed. Specifically, we first pre-train a cross-modal encoder with contrastive learning on five knowledge modalities, aligning them into a unified space. Then, we combine the multi-knowledge medication representations with patient records for recommendations. Extensive experiments on the MIMIC-III and MIMIC-IV datasets demonstrate that MKMed mitigates the "bucket effect" in data, and significantly outperforms state-of-the-art baselines in recommendation accuracy and safety.
• Abstract（参考訳）: 治療勧告は、患者の電子的健康記録(EHR)に基づいた効果的な治療を提供する医療において不可欠である。 これまでの研究では、より多くの薬に関する知識を統合することで、薬の表現精度が向上することが示されている。 しかし、全ての医薬品が同時に複数の種類の知識データを含んでいるわけではない。 例えば、いくつかの薬は構造化データなしでテキスト記述のみを提供する。 このデータ可用性の不均衡は、既存のモデルの性能を制限します。 我々のデータ分析は、医薬品推奨における「バケット・エフェクト」の重症度を明らかにする。 このギャップを埋めるために、異なるモダリティからデータをシームレスに整列できるクロスモーダル医薬品エンコーダを導入し、MKMedという名前の複数の種類の知識を統合するための薬剤推奨フレームワークを提案する。 具体的には、まず5つの知識モダリティについて対照的な学習を行い、それらを統一された空間に整列するクロスモーダルエンコーダを事前訓練する。 次に,多知識薬の表現と患者記録を組み合わせて推奨する。 MIMIC-IIIとMIMIC-IVデータセットの大規模な実験は、MKMedがデータにおける「バケット効果」を緩和し、推奨精度と安全性において最先端のベースラインを大幅に上回ることを示した。

関連論文リスト

• Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
  NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。 NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。 本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
  論文  参考訳（メタデータ） (2025-01-13T09:51:50Z)
• A Contrastive Pretrain Model with Prompt Tuning for Multi-center Medication Recommendation [50.43785306804359]
  マルチセンター医薬品推奨のためのTEMPT(Prompt Tuning)を用いた新しいconTrastive prEtrain Modelを提案する。 そこで我々は,一般的なファインタニングを採用するのではなく,各病院の特定情報をキャプチャするための新しいプロンプトチューニング手法を考案した。 提案モデルを検証するため,公立のeICU多施設医療データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2024-12-28T06:12:02Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning [10.60553153370577]
  医薬推奨は、患者の長期医療記録を統合し、正確で安全な薬品の組み合わせを提供することを目的としている。 既存の方法では、疾患や引き金や薬物の真の因果関係を深く探ることができないことが多い。 因果推論駆動型デュアルグラニュラリティメディケーション勧告法(CIDGMed)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T08:50:27Z)
• StratMed: Relevance Stratification between Biomedical Entities for Sparsity on Medication Recommendation [9.296433860766165]
  StratMedは、長い尾の問題を克服し、スパースデータの完全な学習を実現する成層戦略である。 また、薬品の組み合わせの安全性と正確性に関する相互制約の問題に対処するために、デュアルプロパティネットワークを利用する。 本モデルでは,安全性リスクを15.08%削減し,精度を0.36%向上し,トレーニング時間消費を81.66%削減する。
  論文  参考訳（メタデータ） (2023-08-31T14:59:32Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)
• MeSIN: Multilevel Selective and Interactive Network for Medication Recommendation [9.173903754083927]
  薬物推奨のためのマルチレベル選択型対話型ネットワーク(MeSIN)を提案する。 まず、異なる医療コードの埋め込みに柔軟な注意スコアを割り当てるために注意選択モジュール(ASM)が適用されます。 第二に、EHRデータにおける多レベルの医療シーケンスの相互作用を強化するために、新しい対話型長期メモリネットワーク(InLSTM)を組み込む。
  論文  参考訳（メタデータ） (2021-04-22T12:59:50Z)
• Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
  本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。 実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T02:04:12Z)
• PREMIER: Personalized REcommendation for Medical prescrIptions from Electronic Records [8.365167718547296]
  われわれは、PreMIERと呼ばれる2段階の注意に基づくパーソナライズド医薬品レコメンデーションシステムを設計する。 本システムでは,患者に対する副作用を最小限に抑えるため,薬物間の相互作用を考慮に入れている。 MIMIC-IIIと独自の外来データセットの実験結果から、PreMIERは最先端の医薬品推奨システムより優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-28T04:48:32Z)

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。