Search

Your search keyword '"Snowball Inria Associate Team"' showing total 5 results
Start Over Author "Snowball Inria Associate Team" Language undetermined
5 results on '"Snowball Inria Associate Team"'

1. Creating Fair Models of Atherosclerotic Cardiovascular Disease Risk

Author

Fatima Rodriguez, Ben J. Marafino, Nigam H. Shah, Latha Palaniappan, Stephen R. Pfohl, Adrien Coulet, Stanford Center for BioMedical Informatics Research (BMIR), Stanford University, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Stanford School of Medicine [Stanford], Stanford Medicine, Stanford University-Stanford University, and Snowball Inria Associate Team

Subjects
FOS: Computer and information sciences, Computer Science - Machine Learning, [INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], Actuarial science, Atherosclerotic cardiovascular disease, Computer science, Machine Learning (stat.ML), 030204 cardiovascular system & hematology, Health records, Machine Learning (cs.LG), [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI], 3. Good health, 03 medical and health sciences, 0302 clinical medicine, Statistics - Machine Learning, Cohort, Risk stratification, Leverage (statistics), Observational study, 030212 general & internal medicine, [INFO.INFO-BI]Computer Science [cs]/Bioinformatics [q-bio.QM]
Abstract

International audience; Guidelines for the management of atherosclerotic cardiovascular disease (ASCVD) recommend the use of risk stratification models to identify patients most likely to benefit from cholesterol-lowering and other therapies. These models have differential performance across race and gender groups withinconsistent behavior across studies, potentially resulting in an inequitable distribution of beneficial therapy. In this work, we leverage adversarial learning and a large observational cohort extracted from electronic health records (EHRs) to develop a "fair" ASCVD risk prediction model with reducedvariability in error rates across groups. We empirically demonstrate that our approach is capable of aligning the distribution of risk predictions conditioned on the outcome across several groups simultaneously for models built from high-dimensional EHR data. We also discuss the relevance ofthese results in the context of the empirical trade-off between fairness and model performance.

Published
2019
Full Text
View/download PDF

2. Tackling scalability issues in mining path patterns from knowledge graphs: a preliminary study

Author

Pierre Monnin, Emmanuel Bresso, Miguel Couceiro, Malika Smaïl-Tabbone, Amedeo Napoli, Adrien Coulet, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Computational Algorithms for Protein Structures and Interactions (CAPSID), Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Complex Systems, Artificial Intelligence & Robotics (LORIA - AIS), Supported by the PractiKPharma project, founded by the French National Research Agency (ANR) under Grant ANR15-CE23-0028, and by the Snowball Inria Associate Team., Snowball Inria Associate Team, and ANR-15-CE23-0028,PractiKPharma,Confrontation entre connaissances de l'état de l'art et connaissances extraites de dossiers patients en pharmacogénomique(2015)

Subjects
FOS: Computer and information sciences, Artificial Intelligence (cs.AI), [INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], Computer Science - Databases, Knowledge Graph, Computer Science - Artificial Intelligence, Ontology, Path Pattern, Scalability, Databases (cs.DB), Path, MathematicsofComputing_DISCRETEMATHEMATICS, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

International audience; Features mined from knowledge graphs are widely used within multiple knowledge discovery tasks such as classification or fact-checking. Here, we consider a given set of vertices, called seed vertices, and focus on mining their associated neighboring vertices, paths, and, more generally, path patterns that involve classes of ontologies linked with knowledge graphs. Due to the combinatorial nature and the increasing size of real-world knowledge graphs, the task of mining these patterns immediately entails scalability issues. In this paper, we address these issues by proposing a pattern mining approach that relies on a set of constraints (e.g., support or degree thresholds) and the monotonicity property. As our motivation comes from the mining of real-world knowledge graphs, we illustrate our approach with PGxLOD, a biomedical knowledge graph.

3. Découverte d'associations entre Evénements Indésirables Médicamenteux par les structures de patrons et les ontologies

Author

Gabin Personeni, Emmanuel Bresso, Marie-Dominique Devignes, Michel Dumontier, Malika Smaïl-Tabbone, Adrien Coulet, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Stanford Center for BioMedical Informatics Research (BMIR), Stanford University, Maastricht University [Maastricht], Inria@SiliconValley, Snowball Inria Associate Team, Snowflake Inria Associate Team, ANR-15-CE23-0028,PractiKPharma,Confrontation entre connaissances de l'état de l'art et connaissances extraites de dossiers patients en pharmacogénomique(2015), Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), and Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)

Subjects
Evénements Indésirables Médicamenteux, [INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], Structures de Patrons, Ontologies, Analyse Formelle de Concepts, [SDV.BIBS]Life Sciences [q-bio]/Quantitative Methods [q-bio.QM]
Abstract

National audience; On présente dans cet article une méthode d'extraction d'associations entre événements indé-sirables médicamenteux (EIM) utilisant les structures de patrons. Cette méthode permet une comparaison d'EIM fondée sur des ontologies biomédicales et a déjà été présentée avec une application sur des dossiers médicaux électroniques. Une application sur un autre type de données utilisant d'autres ontologies biomédi-cales est présentée ici, ainsi qu'une comparaison et une évaluation plus détaillée des règles extraites. Cette méthode se révèle flexible puisque pouvant être appliquée à divers jeux de données et ontologies, et capable d'extraire des règles d'associations entre EIM avec une représentation expressive de ces EIM.

4. Knowledge Reconciliation with Graph Convolutional Networks: Preliminary Results

Author

Monnin, P., Raïssi, C., Napoli, A., Adrien Coulet, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS), Ubisoft, Stanford Center for BioMedical Informatics Research (BMIR), Stanford University, Mehwish Alam, Davide Buscaldi, Michael Cochez, Francesco Osborne, Diego Reforgiato Recupero, Harald Sack, Snowball Inria Associate Team, ANR-15-CE23-0028,PractiKPharma,Confrontation entre connaissances de l'état de l'art et connaissances extraites de dossiers patients en pharmacogénomique(2015), and ANR-15-IDEX-0004,LUE,Isite LUE(2015)

Subjects
N-ary relationships, [INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], Graph Convolutional Networks, Graph Embeddings, Knowledge Reconciliation, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
Abstract

International audience; In this article, we investigate the task of identifying nodes that are identical, more general, or similar within and across knowledge graphs. This task can be seen as an extension of instance matching or entity resolution and is here named knowledge reconciliation. In particular, we explore how Graph Convolutional Networks (GCNs), previously defined in the literature, can be used for this task and evaluate their performance on a real world use case in the domain of pharmacogenomics (PGx), which studies how gene variations impact drug responses. PGx knowledge is represented in the form of n-ary relationships between one or more genomic variations, drugs, and phenotypes. In a knowledge graph named PGxLOD, such relationships are available, coming from three distinct provenances (a reference database, the biomedical literature and Electronic Health Records). We present and discuss our preliminary attempt to generate graph embeddings with GCNs and to use a simple distance between embeddings to assess the similarity between relationships. By experimenting on the 68,686 PGx relationships of PGxLOD, we found that this approach raises several research questions. For example, we discuss the use of the semantics associated with knowledge graphs within GCNs, which is of interest in the considered use case.

5. Mises en correspondances de données, textes et connaissances pour la découverte de connaissances biomédicales

Author

Adrien Coulet, Knowledge representation, reasonning (ORPAILLEUR), Inria Nancy - Grand Est, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Department of Natural Language Processing & Knowledge Discovery (LORIA - NLPKD), Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL), Université de Lorraine, Anne Gégout-Petit, Snowball Inria Associate Team, ANR-15-CE23-0028,PractiKPharma,Confrontation entre connaissances de l'état de l'art et connaissances extraites de dossiers patients en pharmacogénomique(2015), Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), and Institut National de Recherche en Informatique et en Automatique (Inria)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)-Université de Lorraine (UL)-Centre National de la Recherche Scientifique (CNRS)

Subjects
comparaison de connaissances, biomedical informatics, [INFO.INFO-DB]Computer Science [cs]/Databases [cs.DB], informatique biomédicale, precision medicine, fouille de texte, knowledge discovery, [INFO.INFO-WB]Computer Science [cs]/Web, text mining, data mining, [SDV.SP]Life Sciences [q-bio]/Pharmaceutical sciences, knowledge comparison, apprentissage, fouille de données, [INFO.INFO-TT]Computer Science [cs]/Document and Text Processing, machine learning, [INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG], extraction de connaissances, médecine de précision, [INFO.INFO-BI]Computer Science [cs]/Bioinformatics [q-bio.QM]

Catalog

Books, media, physical & digital resources
See catalog results