論文の概要: S4CMDR: a metadata repository for electronic health records

• arxiv url: http://arxiv.org/abs/2603.24118v1
• Date: Wed, 25 Mar 2026 09:31:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.22632
• Title: S4CMDR: a metadata repository for electronic health records
• Title（参考訳）: S4CMDR:電子健康記録のためのメタデータリポジトリ
• Authors: Jiawei Zhao, Md Shamim Ahmed, Nicolai Dinh Khang Truong, Verena Schuster, Rudolf Mayer, Richard Röttger,
• Abstract要約: ISO 11179-3上に構築されたオープンソースメタデータリポジトリであるS4CMDRを開発した。 エラーを減らし、互換性のある機能セットの発見を可能にする。 S4CMDRはオンプレミスのLinuxデプロイメントとクラウドホスティングをサポートし、最先端のユーザ認証とアクセス可能なインターフェースを備えている。
• 参考スコア（独自算出の注目度）: 8.646190592379096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Electronic health records (EHRs) enable machine learning for diagnosis, prognosis, and clinical decision support. However, EHR standards vary by country and hospital, making records often incompatible. This limits large-scale and cross-clinical machine learning. To address such complexity, a metadata repository cataloguing available data elements, their value domains, and their compatibility is an essential tool. This allows researchers to leverage relevant data for tasks such as identifying undiagnosed rare disease patients. Results: Within the Screen4Care project, we developed S4CMDR, an open-source metadata repository built on ISO 11179-3, based on a middle-out metadata standardisation approach. It automates cataloguing to reduce errors and enable the discovery of compatible feature sets across data registries. S4CMDR supports on-premise Linux deployment and cloud hosting, with state-of-the-art user authentication and an accessible interface. Conclusions: S4CMDR is a clinical metadata repository registering and discovering compatible EHR records. Novel contributions include a microservice architecture, a middle-out standardisation approach, and a user-friendly interface for error-free data registration and visualisation of metadata compatibility. We validate S4CMDR's case studies involving rare disease patients. We invite clinical data holders to populate S4CMDR using their metadata to validate the generalisability and support further development.
• Abstract（参考訳）: 背景:電子健康記録(EHR)は、診断、予後、臨床決定支援のための機械学習を可能にする。 しかし、EHRの基準は国や病院によって異なり、記録は互換性がないことが多い。 これにより、大規模かつクロスクリニカルな機械学習が制限される。 このような複雑さに対処するためには、利用可能なデータ要素、それらの価値ドメイン、それらの互換性をカタログ化するメタデータリポジトリが不可欠です。 これにより研究者は、未診断のまれな疾患患者を特定するなどのタスクに関連データを活用することができる。 結果:Screen4Careプロジェクトでは,ISO 11179-3をベースとしたオープンソースメタデータリポジトリであるS4CMDRを開発した。 エラーを低減し、データレジストリ間で互換性のある機能セットの発見を可能にする。 S4CMDRはオンプレミスのLinuxデプロイメントとクラウドホスティングをサポートし、最先端のユーザ認証とアクセス可能なインターフェースを備えている。 結論: S4CMDR は臨床メタデータリポジトリであり、互換性のある EHR レコードを登録し、発見する。 新たなコントリビューションとしては、マイクロサービスアーキテクチャ、ミドルアウトの標準化アプローチ、エラーのないデータ登録とメタデータ互換性の可視化のためのユーザフレンドリなインターフェースなどがある。 稀な疾患患者のS4CMDR症例について検討した。 我々は,S4CMDRのメタデータを用いて臨床データ保持者を対象に,一般可能性の検証とさらなる開発支援を行う。

関連論文リスト

• Unlocking Electronic Health Records: A Hybrid Graph RAG Approach to Safe Clinical AI for Patient QA [1.9615061725959186]
  大規模言語モデルは、データ処理の変換可能性を提供するが、臨床環境では制限に直面している。 現在のソリューションは通常、構造化データ(Text2Cypher)や非構造化セマンティックサーチに焦点を当てた検索方法を分離するが、両方を同時に統合することができない。 この研究は、このギャップを埋める新しいハイブリッドグラフRAGシステムであるMediGRAFを提示する。
  論文  参考訳（メタデータ） (2025-11-27T16:08:22Z)
• A Modular Approach for Clinical SLMs Driven by Synthetic Data with Pre-Instruction Tuning, Model Merging, and Clinical-Tasks Alignment [46.776978552161395]
  小型言語モデル(SLM)は、GPT-4のような大規模言語モデルに代わる費用対効果を提供する。 SLMは費用対効果のある代替手段を提供するが、その限られた能力は生物医学的な領域適応を必要とする。 本研究では,SLMを高性能な臨床モデルに適用するための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） (2025-05-15T21:40:21Z)
• A Quantitative Approach to Evaluating Open-Source EHR Systems for Indian Healthcare [4.475091558538915]
  インドの厚生省は、臨床文書の統一を容易にするため、電子健康記録最小データセット(EHRMDS)を導入した。 本研究は、インドにおける医療環境に最も適したシステムを決定するために、ERHMDSとOS-EHRSの整合性を体系的に評価する。 結果は、OpenEMRはメタデータ要素の73.81%をカバーし、EHRMDSとの互換性が最も高いことを示し、OpenClinicは33.33%のアライメントを示した。
  論文  参考訳（メタデータ） (2025-03-27T14:55:03Z)
• MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot [47.77948063906033]
  Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。 本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-06T12:27:35Z)
• EHRCon: Dataset for Checking Consistency between Unstructured Notes and Structured Tables in Electronic Health Records [14.69982800306006]
  EHRは、構造化されたデータ(例えば、医薬品)と詳細な臨床ノート(例えば、医師注記)を組み合わせることで、包括的な患者の医療記録を保存するのに不可欠なものである。 これらの要素は、簡単なデータ検索に不可欠であり、患者のケアに対する深い文脈的な洞察を提供する。 しかし、直感的なEHRシステム設計とヒューマンエラーにより、しばしば不一致に悩まされる。 EHRにおける構造化テーブルと非構造化ノート間のデータの一貫性を確保するために設計された新しいデータセットとタスクであるEHRConを開発した。
  論文  参考訳（メタデータ） (2024-06-24T06:26:50Z)
• Building Flexible, Scalable, and Machine Learning-ready Multimodal Oncology Datasets [17.774341783844026]
  本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。 MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。 MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
  論文  参考訳（メタデータ） (2023-09-30T15:44:39Z)
• From research to clinic: Accelerating the translation of clinical decision support systems by making synthetic data interoperable [0.06282171844772422]
  我々は,CDSSツールの開発とテストがより容易になるよう,EHRシステムで合成データを使用するアーキテクチャを提案する。 ノルウェーの患者登録所のデータを用いて、機械学習ベースのCDSSツールの動作実証を開発した。
  論文  参考訳（メタデータ） (2023-08-04T14:02:15Z)
• Integration of Domain Expert-Centric Ontology Design into the CRISP-DM for Cyber-Physical Production Systems [45.05372822216111]
  機械学習(ML)とデータマイニング(DM)の手法は、収集されたデータから複雑で隠れたパターンを抽出する上で有望であることが証明されている。 しかし、このようなデータ駆動プロジェクトは、通常、CRISPDM(Cross-Industry Standard Process for Data Mining)で実行され、データの理解と準備に要する時間の不均等さのために失敗することが多い。 このコントリビューションは、データサイエンティストがCPPSの課題に対してより迅速かつ確実に洞察を得ることができるように、統合されたアプローチを提供することを目的としている。
  論文  参考訳（メタデータ） (2023-07-21T15:04:00Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。