論文の概要: SIDEKICK: A Semantically Integrated Resource for Drug Effects, Indications, and Contraindications

• arxiv url: http://arxiv.org/abs/2602.19183v1
• Date: Sat, 06 Dec 2025 17:35:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.627924
• Title: SIDEKICK: A Semantically Integrated Resource for Drug Effects, Indications, and Contraindications
• Title（参考訳）: SIDEKICK: 薬物効果, 表示, 拘束のためのセマンティックな総合的な資源
• Authors: Mohammad Ashhad, Olga Mashkova, Ricardo Henao, Robert Hoehndorf,
• Abstract要約: Sidekick(サイドキック)は、FDA構造化製品ラベルからの薬物の表示、禁忌、および副作用を標準化する知識グラフである。 我々は5万以上の薬物ラベルを処理し、Human Phenotype Ontology(HPO)、MONDO Disease Ontology、RxNormにマッピングした。 Sidekickは、薬物再資源化のための安全に基づく自動類似性分析を可能にする。
• 参考スコア（独自算出の注目度）: 11.439066289590878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pharmacovigilance and clinical decision support systems utilize structured drug safety data to guide medical practice. However, existing datasets frequently depend on terminologies such as MedDRA, which limits their semantic reasoning capabilities and their interoperability with Semantic Web ontologies and knowledge graphs. To address this gap, we developed SIDEKICK, a knowledge graph that standardizes drug indications, contraindications, and adverse reactions from FDA Structured Product Labels. We developed and used a workflow based on Large Language Model (LLM) extraction and Graph-Retrieval Augmented Generation (Graph RAG) for ontology mapping. We processed over 50,000 drug labels and mapped terms to the Human Phenotype Ontology (HPO), the MONDO Disease Ontology, and RxNorm. Our semantically integrated resource outperforms the SIDER and ONSIDES databases when applied to the task of drug repurposing by side effect similarity. We serialized the dataset as a Resource Description Framework (RDF) graph and employed the Semanticscience Integrated Ontology (SIO) as upper level ontology to further improve interoperability. Consequently, SIDEKICK enables automated safety surveillance and phenotype-based similarity analysis for drug repurposing.
• Abstract（参考訳）: 薬剤師・臨床意思決定支援システムは、構造化医薬品安全データを用いて医療実践を指導する。 しかし、既存のデータセットは、意味論的推論能力とセマンティックWebオントロジと知識グラフとの相互運用性を制限するMedDRAのような用語に依存することが多い。 このギャップに対処するため,FDA構造化製品ラベルの医薬品表示,禁忌,副作用を標準化した知識グラフであるSIDEKICKを開発した。 我々は、オントロジーマッピングのためのLarge Language Model(LLM)抽出とGraph-Retrieval Augmented Generation(Graph RAG)に基づくワークフローを開発し、使用した。 我々は5万以上の薬物ラベルを処理し、Human Phenotype Ontology(HPO)、MONDO Disease Ontology、RxNormにマッピングした。 本研究は, SIDERおよびONSIDESデータベースにおいて, 副作用類似性による薬物再資源化の課題に適用した場合に, セマンティック統合された資源の方が優れることを示す。 我々は、データセットをリソース記述フレームワーク(RDF)グラフとしてシリアライズし、セマンティックサイエンス統合オントロジー(SIO)を上位オントロジーとして使用し、相互運用性をさらに向上した。 その結果、SIDEKICKは、自動安全監視と表現型に基づく薬物再資源化の類似性分析を可能にする。

関連論文リスト

• Clinical Data Goes MEDS? Let's OWL make sense of it [0.3441021278275805]
  医療データへの機械学習の適用は、標準化された、意味論的に明示された表現の欠如によってしばしば妨げられる。 医療イベントデータ標準(MEDS)は、最小限のイベント中心のデータモデルを導入することで、これらの問題に対処する。 本稿では,MEDSデータセットをRDFグラフとして表現するために,形式的な概念と関係を提供する軽量オントロジーであるMEDS-OWLを紹介する。
  論文  参考訳（メタデータ） (2026-01-07T18:25:02Z)
• 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)
• Ontology-Based Concept Distillation for Radiology Report Retrieval and Labeling [10.504309161945065]
  既存のほとんどの手法は、CLIPやCXR-BERTのようなモデルからの高次元テキスト埋め込みを比較することに依存している。 統一医療言語システム(Unified Medical Language System)における臨床基礎概念に基づく放射線学報告テキストの比較のための,新しいオントロジーによる代替案を提案する。 本稿では,RadGraph-XLとSapBERTをベースとした拡張パイプラインを用いて,フリーテキストレポートから標準化された医療機関を抽出する。
  論文  参考訳（メタデータ） (2025-08-27T14:20:50Z)
• HiRef: Leveraging Hierarchical Ontology and Network Refinement for Robust Medication Recommendation [17.45722229030237]
  我々は、ロバストメディカルレコメンデーション(HiRef)のための階層的オントロジーとネットワークリファインメントを提案する。 我々は、自然に木のような関係を捉え、共有された祖先を通して知識の伝達を可能にする双曲空間に実体を埋め込む。 本モデルは,EMHベンチマーク(MIMIC-IIIおよびMIMIC-IV)において高い性能を達成し,シミュレーションできないコード設定下で高い精度を維持する。
  論文  参考訳（メタデータ） (2025-08-14T07:55:03Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• Multimodal Fusion of EHR in Structures and Semantics: Integrating Clinical Records and Notes with Hypergraph and LLM [39.25272553560425]
  本稿では,EHRにおける構造と意味を効果的に統合するMINGLEという新しいフレームワークを提案する。 本フレームワークでは,医療概念のセマンティクスと臨床ノートのセマンティクスをハイパーグラフニューラルネットワークに組み合わせるために,2段階の注入戦略を採用している。 2つのEHRデータセット(パブリックMIMIC-IIIとプライベートCRADLE)の実験結果から、MINGLEは予測性能を11.83%向上できることが示された。
  論文  参考訳（メタデータ） (2024-02-19T23:48:40Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• 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)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。