論文の概要: Active Learning for Forecasting Severity among Patients with Post Acute Sequelae of SARS-CoV-2

• arxiv url: http://arxiv.org/abs/2506.22444v1
• Date: Wed, 11 Jun 2025 14:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.343962
• Title: Active Learning for Forecasting Severity among Patients with Post Acute Sequelae of SARS-CoV-2
• Title（参考訳）: SARS-CoV-2急性敗血症患者の予後予測のためのアクティブラーニング
• Authors: Jing Wang, Amar Sra, Jeremy C. Weiss,
• Abstract要約: PASCとして知られるSARS-CoV-2のPostacute Sequelaeは、世界中の医療システムにとって大きな課題となっている。 従来のモデルでは、PASCの微妙な進歩を捉えるために、構造化されたデータ闘争を訓練していた。 本稿では,臨床リスクを予測し,そのリスクに関連する進行事象を特定するためのアクティブアテンションネットワークを提案する。
• 参考スコア（独自算出の注目度）: 9.671302518139724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The long-term effects of Postacute Sequelae of SARS-CoV-2, known as PASC, pose a significant challenge to healthcare systems worldwide. Accurate identification of progression events, such as hospitalization and reinfection, is essential for effective patient management and resource allocation. However, traditional models trained on structured data struggle to capture the nuanced progression of PASC. In this study, we introduce the first publicly available cohort of 18 PASC patients, with text time series features based on Large Language Model Llama-3.1-70B-Instruct and clinical risk annotated by clinical expert. We propose an Active Attention Network to predict the clinical risk and identify progression events related to the risk. By integrating human expertise with active learning, we aim to enhance clinical risk prediction accuracy and enable progression events identification with fewer number of annotation. The ultimate goal is to improves patient care and decision-making for SARS-CoV-2 patient.
• Abstract（参考訳）: PASCとして知られるSARS-CoV-2のPostacute Sequelaeの長期的影響は、世界中の医療システムに重大な課題をもたらす。 入院や再感染などの進行事象の正確な特定は、効果的な患者管理と資源配分に不可欠である。 しかし、構造化データに基づいて訓練された伝統的なモデルは、PASCの微妙な進歩を捉えるのに苦労した。 本研究では,大言語モデルLlama-3.1-70B-Instructと臨床専門医による臨床リスクに基づくテキスト時系列機能を備えたPASC患者18名を対象に,初めて公開されたコホートについて紹介する。 本稿では,臨床リスクを予測し,そのリスクに関連する進行事象を特定するためのアクティブアテンションネットワークを提案する。 人間の専門知識と積極的学習を統合することにより,臨床リスク予測の精度を高め,少ないアノテーションで進行事象を識別することを目指す。 最終目標は,SARS-CoV-2患者に対する患者ケアと意思決定を改善することである。

関連論文リスト

• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Attention-enabled Explainable AI for Bladder Cancer Recurrence Prediction [0.4369058206183195]
  非浸潤性膀胱癌 (NMIBC) の再発率は70-80%まで上昇した。 各再発は、侵襲的な手順のカスケード、生涯にわたる監視、医療費の増大を引き起こす。 既存の臨床予測ツールには根本的な欠陥が残っており、しばしば再発リスクを過大評価する。
  論文  参考訳（メタデータ） (2025-04-30T20:39:33Z)
• Event-Based Contrastive Learning for Medical Time Series [11.696805672885798]
  Event-Based Contrastive Learning (EBCL) は異種患者データの埋め込みを学習する手法である。 EBCLが重要な下流タスクの性能向上をもたらすモデルを構築するのに利用できることを示す。
  論文  参考訳（メタデータ） (2023-12-16T03:50:24Z)
• 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)
• 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)
• COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
  患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。 提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。 定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
  論文  参考訳（メタデータ） (2021-09-14T14:16:32Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• 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)

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。