論文の概要: The Open Syndrome Definition

• arxiv url: http://arxiv.org/abs/2509.25434v1
• Date: Mon, 29 Sep 2025 19:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.292065
• Title: The Open Syndrome Definition
• Title（参考訳）: オープンシンドロームの定義
• Authors: Ana Paula Gomes Ferreira, Aleksandar Anžel, Izabel Oliva Marcilio de Souza, Helen Hughes, Alex J Elliot, Jude Dzevela Kong, Madlen Schranz, Alexander Ullrich, Georges Hattab,
• Abstract要約: ケースとシンドロームの定義を表現するための,最初のオープンな機械可読フォーマットを提案する。 我々は、既存の人間可読定義を機械可読形式に変換するための、標準化されたケース定義とツールの最初の包括的なデータセットを紹介する。 オープンシンドローム定義フォーマットは、システム間のケース定義の一貫性とスケーラブルな使用を可能にし、公衆衛生の準備と対応を強化するAIの可能性を解放する。
• 参考スコア（独自算出の注目度）: 61.0983330391914
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Case definitions are essential for effectively communicating public health threats. However, the absence of a standardized, machine-readable format poses significant challenges to interoperability, epidemiological research, the exchange of qualitative data, and the effective application of computational analysis methods, including artificial intelligence (AI). This complicates comparisons and collaborations across organizations and regions, limits data integration, and hinders technological innovation in public health. To address these issues, we propose the first open, machine-readable format for representing case and syndrome definitions. Additionally, we introduce the first comprehensive dataset of standardized case definitions and tools to convert existing human-readable definitions into machine-readable formats. We also provide an accessible online platform for browsing, analyzing, and contributing new definitions, available at https://opensyndrome.org. The Open Syndrome Definition format enables consistent, scalable use of case definitions across systems, unlocking AI's potential to strengthen public health preparedness and response. The source code for the format can be found at https://github.com/OpenSyndrome/schema under the MIT license.
• Abstract（参考訳）: ケース定義は公衆衛生上の脅威を効果的に伝達するために不可欠である。 しかし、標準化された機械可読フォーマットが存在しないことは、相互運用性、疫学研究、定性的データの交換、人工知能(AI)を含む計算分析手法の効果的な適用に重大な課題をもたらす。 これは、組織と地域間の比較とコラボレーションを複雑にし、データ統合を制限し、公衆衛生における技術革新を妨げる。 これらの問題に対処するために、ケースとシンドロームの定義を表現するための最初のオープンで機械可読なフォーマットを提案する。 さらに,既存の人間可読定義を機械可読形式に変換するための,標準化されたケース定義とツールの最初の包括的なデータセットも紹介する。 また、新しい定義を閲覧、分析、コントリビュートするためのアクセス可能なオンラインプラットフォームもhttps://opensyndrome.org.comで公開しています。 オープンシンドローム定義フォーマットは、システム間のケース定義の一貫性とスケーラブルな使用を可能にし、公衆衛生の準備と対応を強化するAIの可能性を解放する。 フォーマットのソースコードはMITライセンス下でhttps://github.com/OpenSyndrome/schemaで確認できる。

関連論文リスト

• AI-assisted summary of suicide risk Formulation [0.9224875902060083]
  本研究では,人工知能(AI)の分野である高度自然言語処理(NLP)アルゴリズムの開発について述べる。 自殺リスクアセスメント(英: suicide risk Assessment)とは、個人が抱える問題の性質と発展を理解するための個別化プロセスである。
  論文  参考訳（メタデータ） (2024-11-29T16:40:28Z)
• Towards Case-based Interpretability for Medical Federated Learning [0.0]
  医療連携学習環境におけるケースベースの説明を生成するための深層生成モデルについて検討する。 概念実証は胸水診断に焦点をあて,Chest X-rayデータを用いた。
  論文  参考訳（メタデータ） (2024-08-24T16:42:12Z)
• Confidential and Protected Disease Classifier using Fully Homomorphic Encryption [0.09424565541639365]
  多くのユーザーは、病気のために医療専門家に相談する前に、ChatGPTやBardのようなプラットフォームで潜在的な原因を探している。 このようなプラットフォームの利便性にもかかわらず、個人医療データをオンラインで共有することは、悪意のあるプラットフォームの存在を含むリスクを引き起こす。 安全かつプライベートな診断システムのためのFHEとDeep Learningを組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-05T02:10:00Z)
• ZTCloudGuard: Zero Trust Context-Aware Access Management Framework to Avoid Misuse Cases in the Era of Generative AI and Cloud-based Health Information Ecosystem [0.5530212768657544]
  この記事では、クラウドエコシステムへのアクセスを管理するための、ゼロトラストベースのコンテキスト認識フレームワークを提案する。 このフレームワークには、信頼の連鎖を維持するための2つの主要なスコアスキーマがある。 この分析は、セマンティックスコアと構文スコアを生成するための、事前訓練された機械学習モデルに基づいている。
  論文  参考訳（メタデータ） (2023-11-28T22:12:07Z)
• EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
  本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。 DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
  論文  参考訳（メタデータ） (2022-08-01T18:47:03Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
  政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。 提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
  論文  参考訳（メタデータ） (2020-04-29T15:02:41Z)

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。