論文の概要: PLeDO: Pain Level Detection for Osteoarthritis from EMR Data
- arxiv url: http://arxiv.org/abs/2608.15719v1
- Date: Sun, 16 Aug 2026 12:41:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.401622
- Title: PLeDO: Pain Level Detection for Osteoarthritis from EMR Data
- Title(参考訳): EMRデータを用いた変形性関節症に対する PLeDO: Pain Level Detection
- Abstract要約: 変形性関節症(OA)は進行性関節疾患であり,関節軟骨と骨の骨折を来す。
SPaDeは、患者を軽度または中等度な痛みに分類するための、同義語に基づく痛みレベル検出ツールである。
PLeDOと呼ばれるOA用統合鎮痛レベル検出ツールを提案するため、構造化EMMデータからの薬剤情報と、チャートノートからの痛み尺度関連情報を統合してモデルを改善する。
- 参考スコア(独自算出の注目度): 8.866867201692626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Osteoarthritis (OA) is a progressive chronic joint disease resulting in a breakdown of articular cartilage and bone when damaged joint tissues are not able to normally repair themselves. The aim of this pilot research study is to understand the pain severity for OA from patients' primary care Electronic Medical Records (EMR), both from the structured medical data and the unstructured chart note data using information extraction, natural language processing and machine learning techniques. We propose SPaDe, a Synonym-based Pain level Detection tool to categorize patients into having mild or moderate-to-severe pain to understand diagnosis and treatment methods based on only the pain related expressions in the unstructured chart note. Expressions are subjective, objective, and influenced by cultural background and demography which poses a difficult challenge. Therefore, we improve the model by incorporating the medication information from the structured EMR data and pain scale related information from the chart note to propose an integrated pain level detection tool for OA called PLeDO. With the help of human labeled gold standard data, we demonstrate that both SPaDe and PLeDO can detect mild and moderate-to-severe pain from the EMR data to analyze and potentially improve the quality of care in primary care setting.
- Abstract(参考訳): 変形性関節症 (OA) は進行性慢性関節疾患であり、損傷した関節組織が正常に修復できない場合に関節軟骨と骨が骨折する。
本研究の目的は,患者のプライマリケア電子カルテ(EMR)から,情報抽出,自然言語処理,機械学習技術を用いて,構造化医療データと非構造化チャートノートデータの両方から,OAの痛み重症度を理解することである。
SPaDeは、患者を軽度または中等度な痛みに分類し、非構造化チャートノートの痛み関連表現のみに基づいて、診断と治療方法を理解するための、同義語に基づく痛みレベル検出ツールである。
表現は主観的であり、客観的であり、文化的背景や、難しい課題を呈するデモグラフィの影響を受けている。
そこで,本研究では,構造化EMRデータからの薬剤情報と,チャートノートからの痛み尺度関連情報を取り入れて,PLeDOと呼ばれるOA用統合鎮痛レベル検出ツールを提案する。
SPaDeとPLeDOは,ヒトのラベル付き金標準データを用いて,EMMデータから軽度かつ中等度な痛みを検知し,プライマリケア環境でのケアの質を解析し,改善する可能性を実証した。
関連論文リスト
- Does the Heart Show Your Pain? Tackling the X-ITE Pain Challenge with Self-Supervised ECG Representation Learning [0.5926203312586108]
一過性心電図(ECG)における自己教師あり表現学習(SSL)法の検討
我々は,X-ITE Pain データセットの低値と中値のレベルを分類することに焦点を当てた。
本研究は, モデル性能における物体間変動の顕著な変化を観察し, 痛覚関連心電図パターンが主観的特有である可能性が示唆された。
論文 参考訳(メタデータ) (2026-08-01T01:09:16Z) - Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。
本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
論文 参考訳(メタデータ) (2026-05-13T14:52:12Z) - Extracting OPQRST in Electronic Health Records using Large Language Models with Reasoning [3.486461799078777]
本稿では,Large Language Models (LLM) の機能を活用して,EHRからOPQRSTアセスメントを抽出するための新しいアプローチを提案する。
本稿では,医師の認知過程を模倣する推論ステップをモデルに提供できるように,シーケンスラベリングからテキスト生成へタスクを再構成することを提案する。
当社のコントリビューションは、医療におけるAIの利用の大幅な進歩を示し、EHRからの情報抽出の正確性とユーザビリティを向上させるスケーラブルなソリューションを提供しています。
論文 参考訳(メタデータ) (2025-09-02T02:21:02Z) - 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) - CPAISD: Core-penumbra acute ischemic stroke dataset [0.0]
CPAISD: Core-Penumbra急性虚血ストロークデータセットは、虚血性脳梗塞の早期発見とセグメンテーションを強化することを目的としている。
データセットは、セグメント化されたNCCTイメージのコレクションを提供する。
これらには虚血コアとペナムブラ領域のアノテーションが含まれており、迅速な脳卒中同定と評価のための機械学習モデルの開発に不可欠である。
我々のデータセットの特異性は、非インフォームティブなネイティブCTスキャンによる虚血性脳梗塞の急性期に焦点を当て、データセットの応用を実証するためのベースラインモデルを含んでいる。
論文 参考訳(メタデータ) (2024-04-03T07:11:19Z) - PHE-SICH-CT-IDS: A Benchmark CT Image Dataset for Evaluation Semantic
Segmentation, Object Detection and Radiomic Feature Extraction of
Perihematomal Edema in Spontaneous Intracerebral Hemorrhage [2.602118060856794]
脳内出血は、世界で最も死亡率が高く、予後不良な疾患の1つである。
PHE-SICH-CT-IDSと命名したCTデータセットを,脳内自然出血に用いた。
論文 参考訳(メタデータ) (2023-08-21T07:18:51Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳(メタデータ) (2022-12-20T12:56:28Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳(メタデータ) (2022-04-07T22:14:37Z) - Coherence Learning using Keypoint-based Pooling Network for Accurately
Assessing Radiographic Knee Osteoarthritis [18.47511520060851]
膝関節症(英語: Knee osteoarthritis, OA)は、世界中の高齢者に影響を及ぼす一般的な変性関節疾患である。
現在臨床症状のある膝OAグレーティングシステムは観察対象であり、レイター間の相違に悩まされている。
本稿では,複合度と微粒度を同時に評価するためのコンピュータ支援型診断手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T19:59:13Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z)
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。