{"id":33500,"date":"2024-05-28T16:03:18","date_gmt":"2024-05-28T14:03:18","guid":{"rendered":"https:\/\/www.l3s.de\/?p=33500"},"modified":"2024-06-11T11:30:41","modified_gmt":"2024-06-11T09:30:41","slug":"efficient-processing-of-patient-data","status":"publish","type":"post","link":"https:\/\/www.l3s.de\/de\/efficient-processing-of-patient-data\/","title":{"rendered":"Effiziente Verarbeitung von Patientendaten"},"content":{"rendered":"

<\/p>\n\n\n\n

L3S Best Publication of the Quarter (1\/2024<\/strong>)
Category: Time series modelling<\/strong><\/p>\n\n\n\n

IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers\u202f<\/strong><\/p>\n\n\n\n

Authors: Jingge Xiao, Leonie Basso, Wolfgang Nejdl, Niloy Ganguly and Sandipan Sikdar<\/p>\n\n\n\n

Presented at the 38th<\/sup> Annual AAAI Conference on Artificial Intelligence\u00a0 (A* Conference)\u202f<\/em>\u00a0
https:\/\/ojs.aaai.org\/index.php\/AAAI\/article\/view\/29534<\/a><\/p>\n\n\n\n

<\/div>\n\n\n\n

Die Ver\u00f6ffentlichung in K\u00fcrze:<\/strong>\u00a0<\/p>\n\n\n\n

In unserem Beitrag wird ein neuartiger Ansatz f\u00fcr die Analyse elektronischer Gesundheitsdaten (EHR) vorgestellt. Wir schlagen ein Modell vor, das Zeitreihendaten durch kontinuierliche Prozesse verarbeitet, die durch invertierbare neuronale Netze parametrisiert werden, was die Modellarchitektur vereinfacht und parallele Berechnungen erm\u00f6glicht. Diese Methode verbessert die Dateneffizienz und die Leistung des Modells.\u00a0<\/p>\n\n\n\n

Welches Problem l\u00f6sen Sie mit Ihrer Forschung? <\/strong> <\/p>\n\n\n\n

Wir befassen uns mit der Herausforderung der effizienten Verarbeitung von unregelm\u00e4\u00dfig erfassten Zeitreihendaten, die h\u00e4ufig in elektronischen Patientenakten vorkommen. <\/p>\n\n\n\n

Welche potenziellen Auswirkungen haben Ihre Ergebnisse? <\/strong> <\/p>\n\n\n\n

Die potenziellen Auswirkungen sind f\u00fcr die Gesundheitsbranche von Vorteil. Durch die Verbesserung der Effizienz und Genauigkeit der EHR-Datenanalyse kann unser Modell zu einer schnelleren Diagnose, einer besseren Patienten\u00fcberwachung und personalisierten Behandlungspl\u00e4nen beitragen. <\/p>\n\n\n\n

Was ist neu an Ihrer Forschung? <\/strong> <\/p>\n\n\n\n

Die Neuheit liegt in der Verwendung von neuronalen Anfangswertprobleml\u00f6sern innerhalb der Variations-Autoencoder-Architektur f\u00fcr die Modellierung von EHR-Zeitreihen. Dadurch wird nicht nur die Komplexit\u00e4t des Modells reduziert, sondern auch die Konvergenz beschleunigt, was zu modernsten Ergebnissen in Bezug auf Dateneffizienz und Leistung f\u00fchrt.<\/p>\n\n\n\n

\n\n\n\n

Xiao, J., Basso, L., Nejdl, W., Ganguly, N. and Sikdar, S. 2024. IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers. Proceedings of the AAAI Conference on Artificial Intelligence<\/em>. 38, 14 (Mar. 2024), 16023-16031. DOI: https:\/\/doi.org\/10.1609\/aaai.v38i14.29534<\/a>. <\/p>","protected":false},"excerpt":{"rendered":"

The paper “IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers” is one of the two best L3S publications in the category “Time Series Modelling”.<\/p>","protected":false},"author":11,"featured_media":33501,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[161],"tags":[],"class_list":["post-33500","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-best-publications"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t