文献

J-GLOBAL ID：202102252121762198   整理番号：21A0442474

電子健康記録のためのマルチタスク深層表現学習法【JST・京大機械翻訳】

Multi-task deep representation learning method for electronic health records

著者 (4件)： Yang Shan (Shandong Normal University,School of Information Science and Engineering,Jinan,China) ,  Zheng Xiangwei (Shandong Normal University,School of Information Science and Engineering,Jinan,China) ,  Chen Xuanchi (Shandong Normal University,School of Information Science and Engineering,Jinan,China) ,  Wei Yi (Shandong Normal University,School of Information Science and Engineering,Jinan,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： BIBM  ページ： 1188-1192  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 電子健康記録(EHR)データは,健康管理開発において重要な役割を担っている。時間,不規則性,スパース性,バイアスなどのEHRマイニングには多くの課題がある。したがって,有効な特徴抽出と表現は,更なる応用の前に重要なステップである。本論文では,生データから貴重な臨床情報を抽出し,有効かつ解釈可能な患者表現を学習する目的で,マルチタスク深層表現学習法(MTDRL)を提案した。第1に,MTDRLは,次のネットワークの入力として使用される隠れ状態ベクトルを学習するための符号器として双方向ゲート電流ユニット(BiGRU)を利用する。この符号化部分は,すべてのタスクのための共有ネットワークとして見ることができる。第二に,患者の院内死亡率予測と配列再構成を,符号化ネットワークに基づいて同時に実行した。特に,注意機構と完全接続層を予測タスクに組み込み,BiGRUを他のタスクに実装し,訪問シーケンスを再構成した。最後に,MTDRLを実際のEHRデータに適用し,実験結果は,MTDRLが,より効果的な患者表現を学習でき,患者の院内死亡率予測の性能に著しい改善を有することを示した。一方,予測結果は注意機構で効果的に解釈でき,臨床的に意味のある参照を提供する。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  特徴抽出 ,  符号器 ,  再構成 ,  健康管理 ,  バイアス ,  深層 ,  *電子カルテ ,  *病歴
準シソーラス用語： ゲート電流 ,  スパース性 ,  *マルチタスク ,  *表現学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 電子健康記録 ,  マルチタスク ,  深層 ,  表現学習