論文の概要: Integration of Large Language Models and Traditional Deep Learning for Social Determinants of Health Prediction

• arxiv url: http://arxiv.org/abs/2505.04655v1
• Date: Tue, 06 May 2025 23:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.617239
• Title: Integration of Large Language Models and Traditional Deep Learning for Social Determinants of Health Prediction
• Title（参考訳）: 健康予測の社会的要因に対する大規模言語モデルの統合と伝統的な深層学習
• Authors: Paul Landes, Jimeng Sun, Adam Cross,
• Abstract要約: 社会的健康決定要因(Social Determinants of Health, SDoH)は、個人の健康状態に影響を及ぼす、または影響を及ぼす経済的、社会的、個人的な状況である。 従来のディープラーニングと大規模言語モデル(LLM)を用いて臨床テキストからSDoHを自動的に抽出する。 我々のモデルは、マルチラベルSDoH分類における以前の基準点を10ポイント上回る。
• 参考スコア（独自算出の注目度）: 23.8766239221373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social Determinants of Health (SDoH) are economic, social and personal circumstances that affect or influence an individual's health status. SDoHs have shown to be correlated to wellness outcomes, and therefore, are useful to physicians in diagnosing diseases and in decision-making. In this work, we automatically extract SDoHs from clinical text using traditional deep learning and Large Language Models (LLMs) to find the advantages and disadvantages of each on an existing publicly available dataset. Our models outperform a previous reference point on a multilabel SDoH classification by 10 points, and we present a method and model to drastically speed up classification (12X execution time) by eliminating expensive LLM processing. The method we present combines a more nimble and efficient solution that leverages the power of the LLM for precision and traditional deep learning methods for efficiency. We also show highly performant results on a dataset supplemented with synthetic data and several traditional deep learning models that outperform LLMs. Our models and methods offer the next iteration of automatic prediction of SDoHs that impact at-risk patients.
• Abstract（参考訳）: 社会的健康決定要因(Social Determinants of Health、SDoH)は、個人の健康状態に影響を及ぼす、または影響を及ぼす経済的、社会的、個人的な状況である。 SDoHはウェルネスの結果と相関があることが示されており、医師が病気の診断や意思決定に有用である。 本研究では,従来のディープラーニングとLarge Language Models(LLM)を用いて臨床テキストからSDoHを自動的に抽出し,既存の公開データセット上でそれぞれの利点と欠点を見出す。 本稿では,従来のSDoH分類基準点を10ポイント上回り,高価なLCM処理を不要にすることで,分類(12X実行時間)を大幅に高速化する手法とモデルを提案する。 提案手法は,LLMのパワーを高精度に利用し,従来の深層学習手法を効率よく活用する,よりスンブルで効率的な解法を組み合わせたものである。 また,LLMを上回り,合成データと従来の深層学習モデルで補足されたデータセットに対して,高性能な結果を示す。 我々のモデルと方法は、リスクのある患者に影響を与えるSDoHの自動予測の次のイテレーションを提供する。

関連論文リスト

• LLM-based Agent Simulation for Maternal Health Interventions: Uncertainty Estimation and Decision-focused Evaluation [30.334268991701727]
  エージェントに基づくシミュレーションは複雑な人間の行動のモデル化に不可欠である。 従来のアプローチでは、広範なドメイン知識と大規模なデータセットが必要です。 大規模言語モデル(LLM)は、幅広い世界の知識を活用することで、有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-03-25T20:24:47Z)
• Large Language Models are Powerful EHR Encoders [4.520903886487343]
  ドメイン固有のEHR基盤モデルは予測精度と一般化の有望な改善を実証している。 汎用大規模言語モデル(LLM)に基づく埋め込み手法をEHRエンコーダとして用いる可能性について検討する。 GTE-Qwen2-7B-Instruct と LLM2Vec-Llama3.1-8B-Instruct の2つの最新式 LLM-embedding モデルの評価を行った。
  論文  参考訳（メタデータ） (2025-02-24T18:30:36Z)
• CovidLLM: A Robust Large Language Model with Missing Value Adaptation and Multi-Objective Learning Strategy for Predicting Disease Severity and Clinical Outcomes in COVID-19 Patients [4.063838267166007]
  コロナウイルス病2019(COVID-19)は世界中で何百万人もの死者を出した。 これらの疾患の重症度と臨床症状の早期発見は, 予後不良の予防に不可欠である。 本研究は,専門的なプロンプトの構築と多目的学習戦略の採用に重点を置いている。
  論文  参考訳（メタデータ） (2024-11-28T11:27:38Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)
• A Novel Hybrid Parameter-Efficient Fine-Tuning Approach for Hippocampus Segmentation and Alzheimer's Disease Diagnosis [12.775565417928895]
  本稿では,ハイブリッド並列およびシリアルアーキテクチャを用いたHyPSと呼ばれる,パラメータ効率の高いファインチューニング手法を提案する。 HyPSはモデルパラメータの最小限のサブセットを更新し、事前訓練されたモデルの元の知識トラクチャを保持する。 アルツハイマー病を認知正常(CN)個体と区別することで、HyPSはそれぞれ83.78%と64.29%の分類精度を達成した。
  論文  参考訳（メタデータ） (2024-09-02T00:52:00Z)
• XAI4LLM. Let Machine Learning Models and LLMs Collaborate for Enhanced In-Context Learning in Healthcare [16.79952669254101]
  多層構造プロンプトを用いたゼロショット/ファウショットインコンテキスト学習(ICL)のための新しい手法を開発した。 また、ユーザと大規模言語モデル(LLM)間の2つのコミュニケーションスタイルの有効性についても検討する。 本研究は,性別バイアスや偽陰性率などの診断精度とリスク要因を系統的に評価する。
  論文  参考訳（メタデータ） (2024-05-10T06:52:44Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Prompting Large Language Models for Zero-Shot Clinical Prediction with Structured Longitudinal Electronic Health Record Data [7.815738943706123]
  大規模言語モデル(LLM)は、伝統的に自然言語処理に向いている。 本研究では, GPT-4 などの LLM の EHR データへの適応性について検討する。 EHRデータの長手性、スパース性、知識を注入した性質に対応するため、本研究は特定の特徴を考慮に入れている。
  論文  参考訳（メタデータ） (2024-01-25T20:14:50Z)
• Redefining Digital Health Interfaces with Large Language Models [69.02059202720073]
  大規模言語モデル(LLM)は、複雑な情報を処理できる汎用モデルとして登場した。 LLMが臨床医とデジタル技術との新たなインターフェースを提供する方法を示す。 自動機械学習を用いた新しい予後ツールを開発した。
  論文  参考訳（メタデータ） (2023-10-05T14:18:40Z)
• Federated Learning for Early Dropout Prediction on Healthy Ageing Applications [0.0]
  我々は、プライバシの懸念を最小限に抑え、個々のデータを転送することなく分散トレーニングを可能にするフェデレーション機械学習(FML)アプローチを提案する。 その結果,FMLでトレーニングしたモデルの予測精度は,データ選択とクラス不均衡ハンドリング技術により有意に向上した。
  論文  参考訳（メタデータ） (2023-09-08T13:17:06Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• 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)

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。