Enhancing Clinical Evidence Recommendation with Multi-Channel Heterogeneous Learning on Evidence Graphs

要約

タイトル – 証拠グラフにおける多チャネル異種学習による臨床的エビデンスの推薦の強化
要約 – 臨床的エビデンスとは、患者、介入（薬剤や理学療法など）、問題、アウトカムの間の関連性や影響を示しています。臨床的エビデンスの推奨する目的は、医療関係者に関連情報を提供し、意思決定プロセスをサポートし、新しいエビデンスを生成することです。この研究は、臨床的問題に基づいてエビデンスを推奨することに焦点を当てています。しかし、特定の臨床問題と関連するエビデンスの直接的なつながりは頻繁に希薄で、リンクの希薄性の問題が発生します。また、適切なエビデンスを推奨するためには、エビデンス間のトポロジー関係とそれらを説明するテキスト情報の両方を共同で活用することが不可欠です。これらの課題に対処するために、私たちは2つのナレッジグラフを定義しました。エビデンス共参照グラフと、エビデンステキストグラフです。それぞれ、証拠要素間のトポロジー関係と言語的関係を表します。また、マルチチャンネル異種学習モデルとファージョンアテンションメカニズムを導入して、エビデンスの推奨における共参照テキスト非均一性を扱います。私たちの実験は、私たちのモデルがデータに対して、最先端の方法よりも優れた性能を発揮することを示しています。

– 臨床的エビデンスは、患者、介入、問題、アウトカムの関連性と影響を示しています。
– 臨床的エビデンス推奨は、医療関係者に関連情報を提供し、意思決定プロセスをサポートし、新しいエビデンスを生成することを目的としています。
– ナレッジグラフを使用して、証拠要素のトポロジー関係と言語的関係を表します。
– マルチチャンネル異種学習モデルとファージョンアテンションメカニズムを導入することで、共参照テキスト非均一性を扱います。
– 実験により、このモデルが最先端の方法よりも優れた性能を発揮することが示されました。

要約(オリジナル)

Clinical evidence encompasses the associations and impacts between patients, interventions (such as drugs or physiotherapy), problems, and outcomes. The goal of recommending clinical evidence is to provide medical practitioners with relevant information to support their decision-making processes and to generate new evidence. Our specific task focuses on recommending evidence based on clinical problems. However, the direct connections between certain clinical problems and related evidence are often sparse, creating a challenge of link sparsity. Additionally, to recommend appropriate evidence, it is essential to jointly exploit both topological relationships among evidence and textual information describing them. To address these challenges, we define two knowledge graphs: an Evidence Co-reference Graph and an Evidence Text Graph, to represent the topological and linguistic relations among evidential elements, respectively. We also introduce a multi-channel heterogeneous learning model and a fusional attention mechanism to handle the co-reference-text heterogeneity in evidence recommendation. Our experiments demonstrate that our model outperforms state-of-the-art methods on open data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI