論文の概要: P-CAFE: Personalized Cost-Aware Incremental Feature Selection For Electronic Health Records

• arxiv url: http://arxiv.org/abs/2508.08646v1
• Date: Tue, 12 Aug 2025 05:23:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.308898
• Title: P-CAFE: Personalized Cost-Aware Incremental Feature Selection For Electronic Health Records
• Title（参考訳）: P-CAFE:電子健康記録の個人化コスト対応インクリメンタル機能選択
• Authors: Naama Kashani, Mira Cohen, Uri Shaham,
• Abstract要約: EHRデータセットに特化して、個人化、オンライン化、費用対効果を考慮した新しい機能選択フレームワークを提案する。 このフレームワークはスパースデータとマルチモーダルデータを効果的に管理し、堅牢でスケーラブルなパフォーマンスを保証するように設計されている。 本手法の主な応用は,患者検診における医師の意思決定を支援することである。
• 参考スコア（独自算出の注目度）: 3.870455775654713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic Health Records (EHR) have revolutionized healthcare by digitizing patient data, improving accessibility, and streamlining clinical workflows. However, extracting meaningful insights from these complex and multimodal datasets remains a significant challenge for researchers. Traditional feature selection methods often struggle with the inherent sparsity and heterogeneity of EHR data, especially when accounting for patient-specific variations and feature costs in clinical applications. To address these challenges, we propose a novel personalized, online and cost-aware feature selection framework tailored specifically for EHR datasets. The features are aquired in an online fashion for individual patients, incorporating budgetary constraints and feature variability costs. The framework is designed to effectively manage sparse and multimodal data, ensuring robust and scalable performance in diverse healthcare contexts. A primary application of our proposed method is to support physicians' decision making in patient screening scenarios. By guiding physicians toward incremental acquisition of the most informative features within budget constraints, our approach aims to increase diagnostic confidence while optimizing resource utilization.
• Abstract（参考訳）: EHR(Electronic Health Records)は、患者のデータをデジタル化し、アクセシビリティを改善し、臨床ワークフローを合理化することによって、医療に革命をもたらした。 しかし、これらの複雑なマルチモーダルデータセットから有意義な洞察を抽出することは、研究者にとって重要な課題である。 従来の特徴選択法は、特に臨床応用における患者固有のバリエーションや特徴コストを考慮する場合、EHRデータの本質的にの空間性と不均一性に苦慮することが多い。 これらの課題に対処するために、EHRデータセットに特化した、パーソナライズされた、オンラインで、コストを意識した機能選択フレームワークを提案する。 これらの機能は、個々の患者に対してオンライン的に取得され、予算的制約と機能的変動コストが組み込まれている。 このフレームワークはスパースデータとマルチモーダルデータを効果的に管理し、多様な医療状況において堅牢でスケーラブルなパフォーマンスを保証するように設計されている。 本手法の主な応用は,患者検診における医師の意思決定を支援することである。 予算制約の中で最も情報に富む特徴を段階的に取得するよう医師に指示することで,資源利用を最適化しながら診断信頼性を高めることを目的としている。

関連論文リスト

• DeepSelective: Interpretable Prognosis Prediction via Feature Selection and Compression in EHR Data [26.378114734793492]
  EHRデータを用いた患者予後予測のための新しいエンドツーエンドディープラーニングフレームワークであるDeepSelectiveを提案する。 DeepSelectiveは、データ圧縮技術と革新的な機能選択アプローチを組み合わせて、カスタム設計モジュールを統合する。 実験の結果,DeepSelectiveは予測精度を向上するだけでなく,解釈可能性も向上し,臨床診断に有用なツールであることがわかった。
  論文  参考訳（メタデータ） (2025-04-15T15:04:39Z)
• Healthcare cost prediction for heterogeneous patient profiles using deep learning models with administrative claims data [0.0]
  本研究は,技術システムと人文主義的成果との相互作用を強調する社会技術的考察を基礎にしている。 本稿では,ACデータを別のチャネルに分割することで,データの均一性を緩和するチャネルワイドディープラーニングフレームワークを提案する。 提案されたチャネルワイドモデルは、単一チャネルモデルと比較して予測誤差を23%削減し、16.4%と19.3%の過払いと低給の削減につながった。
  論文  参考訳（メタデータ） (2025-02-17T19:20:41Z)
• Speaking the Same Language: Leveraging LLMs in Standardizing Clinical Data for AI [0.0]
  本研究は、医療データの標準化など、特定の課題に対処するため、大規模言語モデルの採用を念頭においている。 この結果から,大規模言語モデルを用いることで手作業によるデータキュレーションの必要性が著しく低下することが示唆された。 提案手法は、医療におけるAIの統合を迅速化し、患者のケアの質を向上させるとともに、AIのためのデータ作成に必要な時間と資金を最小化する。
  論文  参考訳（メタデータ） (2024-08-16T20:51:21Z)
• Investigation Toward The Economic Feasibility of Personalized Medicine For Healthcare Service Providers: The Case of Bladder Cancer [0.0]
  パーソナライズされた医療を実現するための経済的実現可能性について検討する。 パーソナライズされた治療に対する従来のバイナリアプローチとは異なり、パーソナライズをスペクトルとして扱うことにより、より曖昧な視点を提案する。 その結果, パーソナライズ医療の導入は可能でありながら, 高効率で高価な医療は短命であることが示唆された。
  論文  参考訳（メタデータ） (2023-08-15T17:59:46Z)
• SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
  本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。 実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-23T04:47:46Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• 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)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)

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。