論文の概要: ARMR: Adaptively Responsive Network for Medication Recommendation

• arxiv url: http://arxiv.org/abs/2507.04428v1
• Date: Sun, 06 Jul 2025 15:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.178239
• Title: ARMR: Adaptively Responsive Network for Medication Recommendation
• Title（参考訳）: ARMR(Adaptive Responsive Network for Medication Recommendation)
• Authors: Feiyue Wu, Tianxing Wu, Shenqi Jing,
• Abstract要約: メディケーション・レコメンデーション(ARMR)のための適応応答型ネットワークを提案する。 ARMRは,1)最近の患者と遠隔患者の経過を区別し,よりニュアンスな時間的理解を可能にし,2)患者の現在の健康状態と治療歴に基づいて,新規および既存の薬物に注意を向ける適応的応答性メカニズムを具体化したものである。 MIMIC-IIIとMIMIC-IVデータセットの実験では、ARMRは異なる評価基準における最先端のベースラインよりも優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 1.354560757162539
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medication recommendation is a crucial task in healthcare, especially for patients with complex medical conditions. However, existing methods often struggle to effectively balance the reuse of historical medications with the introduction of new drugs in response to the changing patient conditions. In order to address this challenge, we propose an Adaptively Responsive network for Medication Recommendation (ARMR), a new method which incorporates 1) a piecewise temporal learning component that distinguishes between recent and distant patient history, enabling more nuanced temporal understanding, and 2) an adaptively responsive mechanism that dynamically adjusts attention to new and existing drugs based on the patient's current health state and medication history. Experiments on the MIMIC-III and MIMIC-IV datasets indicate that ARMR has better performance compared with the state-of-the-art baselines in different evaluation metrics, which contributes to more personalized and accurate medication recommendations. The source code is publicly avaiable at: https://github.com/seucoin/armr2.
• Abstract（参考訳）: 治療勧告は、特に複雑な医療状況の患者にとって、医療において重要な課題である。 しかし, 既往の治療法は, 患者状況の変化に応じて, 薬物の再利用と新薬の導入とを効果的に両立させるのに苦慮することが多い。 この課題に対処するため、我々は、メディケーション・レコメンデーションのための適応応答型ネットワーク(ARMR)を提案する。 1) 最近と遠隔の患者の歴史を区別し、よりニュアンスな時間的理解を可能にする断片的な時間的学習要素 2) 患者の現在の健康状態と薬剤歴に基づいて, 新規および既存薬物への注意を動的に調整する適応応答機構。 MIMIC-IIIとMIMIC-IVデータセットの実験では、ARMRはさまざまな評価指標における最先端のベースラインよりも優れたパフォーマンスを示しており、よりパーソナライズされ、正確な医薬品推奨に寄与している。 ソースコードは、https://github.com/seucoin/armr2.comで公開されています。

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)
• 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)
• 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)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• 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)
• Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
  MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2021-05-05T05:51:30Z)

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。