論文の概要: KEEP: Integrating Medical Ontologies with Clinical Data for Robust Code Embeddings

• arxiv url: http://arxiv.org/abs/2510.05049v1
• Date: Mon, 06 Oct 2025 17:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:53:00.016332
• Title: KEEP: Integrating Medical Ontologies with Clinical Data for Robust Code Embeddings
• Title（参考訳）: KEEP:ロバストコード埋め込みのための医療オントロジーと臨床データの統合
• Authors: Ahmed Elhussein, Paul Meddeb, Abigail Newbury, Jeanne Mirone, Martin Stoll, Gamze Gursoy,
• Abstract要約: KEEP(Knowledge Preserving and Empirically refined Embedding Process)は、知識グラフの埋め込みと臨床データからの適応学習を組み合わせた効率的なフレームワークである。 KEEPは,意味的関係の把握や臨床結果の予測において,従来の言語モデルに基づくアプローチよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.555923706082834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning in healthcare requires effective representation of structured medical codes, but current methods face a trade off: knowledge graph based approaches capture formal relationships but miss real world patterns, while data driven methods learn empirical associations but often overlook structured knowledge in medical terminologies. We present KEEP (Knowledge preserving and Empirically refined Embedding Process), an efficient framework that bridges this gap by combining knowledge graph embeddings with adaptive learning from clinical data. KEEP first generates embeddings from knowledge graphs, then employs regularized training on patient records to adaptively integrate empirical patterns while preserving ontological relationships. Importantly, KEEP produces final embeddings without task specific auxiliary or end to end training enabling KEEP to support multiple downstream applications and model architectures. Evaluations on structured EHR from UK Biobank and MIMIC IV demonstrate that KEEP outperforms both traditional and Language Model based approaches in capturing semantic relationships and predicting clinical outcomes. Moreover, KEEP's minimal computational requirements make it particularly suitable for resource constrained environments.
• Abstract（参考訳）: 知識グラフに基づくアプローチはフォーマルな関係を捉え、現実のパターンを見逃す。一方、データ駆動型手法は経験的関連を学習するが、しばしば医学用語で構造化された知識を見落としている。 KEEP(Knowledge Preserving and Empirically refined Embedding Process)は,知識グラフの埋め込みと臨床データからの適応学習を組み合わせることで,このギャップを埋める効率的なフレームワークである。 KEEPはまず知識グラフから埋め込みを生成し、次に患者記録に正規化されたトレーニングを用いて経験的パターンを適応的に統合し、存在論的関係を保存する。 重要なことは、KEEPはタスク固有の補助的またはエンドツーエンドのトレーニングなしで最終的な埋め込みを生成し、KEEPは複数のダウンストリームアプリケーションとモデルアーキテクチャをサポートすることができる。 UK Biobank と MIMIC IV による構造化 EHR の評価は,KEEP が意味的関係の把握や臨床結果の予測において,従来の言語モデルに基づくアプローチよりも優れていることを示した。 さらに、KEEPの最小限の計算要件はリソース制約のある環境に特に適している。

関連論文リスト

• Automated Hierarchical Graph Construction for Multi-source Electronic Health Records [17.122817545326928]
  我々は、ニューラルネットワークを用いた機関間で医療コードを整列する完全に自動化されたフレームワークであるMASHを提案する。 MASHは、事前訓練された言語モデル、共起パターン、テキスト記述、教師付きラベルからの情報を統合する。 不均一な臨床データのナビゲーションと理解を容易にする解釈可能な階層グラフを生成する。
  論文  参考訳（メタデータ） (2025-09-08T11:45:59Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• EMERGE: Enhancing Multimodal Electronic Health Records Predictive Modeling with Retrieval-Augmented Generation [22.94521527609479]
  EMERGEはRetrieval-Augmented Generation(RAG)駆動のフレームワークであり、マルチモーダルEHR予測モデリングを強化する。 時系列データと臨床ノートからエンティティを抽出し,LLM(Large Language Models)を誘導し,プロのPrimeKGと整合させる。 抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
  論文  参考訳（メタデータ） (2024-05-27T10:53:15Z)
• REALM: RAG-Driven Enhancement of Multimodal Electronic Health Records Analysis via Large Language Models [19.62552013839689]
  既存のモデルは、しばしば臨床上の課題に医学的文脈を欠いているため、外部知識の組み入れが促される。 本稿では、マルチモーダルEHR表現を強化するためのRAG(Retrieval-Augmented Generation)駆動フレームワークREALMを提案する。 MIMIC-III 死亡率と可読化タスクに関する実験は,ベースラインよりもREALM フレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-10T18:27:28Z)
• Knowledge Graph Representations to enhance Intensive Care Time-Series Predictions [4.660203987415476]
  提案手法は,ICUデータと医療知識を統合し,臨床意思決定モデルを改善する。 グラフ表現とバイタルサインと臨床報告を組み合わせることで、パフォーマンスを向上させる。 我々のモデルには、知識グラフノードが予測にどのように影響するかを理解するための解釈可能性コンポーネントが含まれています。
  論文  参考訳（メタデータ） (2023-11-13T09:11:55Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。