論文の概要: Enhance the after-discharge mortality rate prediction via learning from the medical notes

• arxiv url: http://arxiv.org/abs/2605.03560v1
• Date: Tue, 05 May 2026 09:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.873362
• Title: Enhance the after-discharge mortality rate prediction via learning from the medical notes
• Title（参考訳）: 医療ノートからの学習による余剰死亡率予測の強化
• Authors: Zijiang Yang,
• Abstract要約: 本研究は, 余剰死亡率予測タスクを実施すれば, 情報化が図れることを示す。 医療ノート情報を用いたモデル用AUC-ROCは、一般に医療ノートのないモデルよりも0.1高い。 本稿では,「プーリング」機構を備えたDeep Neural Network(DNN)モデルを提案する。
• 参考スコア（独自算出の注目度）: 1.5606564053684275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the increase of the Electronic Health Records (EHR) data, more and more researchers are developing machine learning models to learn from the medical notes. These unstructured text data pose significant challenges on the learning process as the quality of data is low. These data are often messy, repetitive and redundant. We have shown these notes data to be informative by conducting the after-discharge mortality rate prediction task. The AUC-ROC for models using the medical note information is generally 0.1 higher than those without the medical notes. Furthermore, we propose the Deep Neural Network(DNN) model with 'pooling' mechanism to enhance the mortality prediction. Based on the experimental results, we demonstrate that the proposed model outperforms the traditional machine learning models like the tree-based models. The proposed method learns from the most informative medical notes and improves the prediction accuracy significantly. The AUC-ROC for the proposed model is 2% to 14% higher than the traditional ones in 15-days, 30-days, 60-days, 365-days after-discharge mortality prediction tasks. Moreover, we can discover some interesting knowledge through the traditional and proposed models. These knowledge are inspiring but also consistent with the previous findings. The models are able to reveal the relationships between the informative keywords and documents from the medical notes and the severity of the patients.
• Abstract（参考訳）: 電子健康記録(EHR)データの増加に伴い、医療ノートから学ぶ機械学習モデルの開発がますます進んでいる。 これらの構造化されていないテキストデータは、データの質が低いため、学習プロセスに重大な課題を生じさせる。 これらのデータは乱雑で反復的で冗長であることが多い。 本研究は, 余剰死亡率予測タスクを実施すれば, 情報化が図れることを示す。 医療ノート情報を用いたモデル用AUC-ROCは、一般に医療ノートのないモデルよりも0.1高い。 さらに,「プーリング」機構を備えたDeep Neural Network(DNN)モデルを提案する。 実験結果から,提案モデルがツリーベースモデルのような従来の機械学習モデルよりも優れていることを示す。 提案手法は最も情報性の高い医療ノートから学習し,予測精度を大幅に向上させる。 提案したモデルのAUC-ROCは15日間、30日間、60日間、365日間の死亡予測タスクにおいて、従来のモデルよりも2%から14%高い。 さらに、従来のモデルと提案されたモデルを通して興味深い知識を発見することができる。 これらの知識は刺激的だが、以前の発見とも一致している。 このモデルでは,医療ノートから情報的キーワードと文書と患者の重症度との関係を明らかにすることができる。

関連論文リスト

• Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
  5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
  論文  参考訳（メタデータ） (2024-04-06T17:23:21Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Deep Learning with Heterogeneous Graph Embeddings for Mortality Prediction from Electronic Health Records [2.2859570135269625]
  我々は、電子健康記録データ上に不均一グラフモデル(HGM)をトレーニングし、結果の埋め込みベクトルをコナールニューラルネットワーク(CNN)モデルに追加情報として使用して、院内死亡率を予測する。 CNNモデルにHGMを追加すると、死亡予測精度が最大4%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-28T02:27:09Z)
• Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
  そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。 よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
  論文  参考訳（メタデータ） (2020-12-11T16:27:04Z)
• Precisely Predicting Acute Kidney Injury with Convolutional Neural Network Based on Electronic Health Record Data [2.6127142674140234]
  急性腎臓損傷(AKI)は、ICU(Intensive Care Unit)患者、特に成人患者でよく起こる。 我々の研究はAKI予測精度を大幅に改善し、最高のAUROCはMIMIC-IIIデータセットで0.988、eICUデータセットで0.936となる。
  論文  参考訳（メタデータ） (2020-05-27T05:39:42Z)

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。