Der Artikel befasst sich mit der Entwicklung eines fairen und genauen Medikationsempfehlungssystems, das insbesondere Patienten mit seltenen Erkrankungen berücksichtigt. Traditionelle Ansätze leiden oft unter Fairness-Problemen, da Empfehlungen für Patienten mit häufigen Erkrankungen genauer sind als für Patienten mit seltenen Erkrankungen.
Um diese Herausforderung anzugehen, schlagen die Autoren ein neuartiges Modell namens RAREMed vor, das auf dem Prinzip des Vortrainings-Feinabstimmens basiert. RAREMed verwendet einen Transformer-Encoder, um komplexe Beziehungen zwischen Krankheits- und Verfahrenscodes zu erfassen. Darüber hinaus führt es zwei selbstüberwachte Vortrainingsziele ein, um spezialisierte Medikationsbedürfnisse und Zusammenhänge zwischen klinischen Codes zu erlernen.
Die Experimente auf zwei realen Datensätzen zeigen, dass RAREMed genaue Medikamentensets sowohl für Patienten mit seltenen als auch mit häufigen Erkrankungen liefert und somit Ungleichheiten in Medikationsempfehlungssystemen abmildert.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Zihao Zhao,Y... às arxiv.org 03-27-2024
https://arxiv.org/pdf/2403.17745.pdfPerguntas Mais Profundas