論文の概要: Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes

• arxiv url: http://arxiv.org/abs/2001.02585v2
• Date: Sun, 19 Jan 2020 14:44:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 09:40:16.815709
• Title: Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes
• Title（参考訳）: ディープ拡散過程を用いたイベントデータからの動的およびパーソナライズされた共生ネットワークの学習
• Authors: Zhaozhi Qian, Ahmed M. Alaa, Alexis Bellot, Jem Rashbass, Mihaela van der Schaar
• Abstract要約: コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
• 参考スコア（独自算出の注目度）: 102.02672176520382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Comorbid diseases co-occur and progress via complex temporal patterns that vary among individuals. In electronic health records we can observe the different diseases a patient has, but can only infer the temporal relationship between each co-morbid condition. Learning such temporal patterns from event data is crucial for understanding disease pathology and predicting prognoses. To this end, we develop deep diffusion processes (DDP) to model "dynamic comorbidity networks", i.e., the temporal relationships between comorbid disease onsets expressed through a dynamic graph. A DDP comprises events modelled as a multi-dimensional point process, with an intensity function parameterized by the edges of a dynamic weighted graph. The graph structure is modulated by a neural network that maps patient history to edge weights, enabling rich temporal representations for disease trajectories. The DDP parameters decouple into clinically meaningful components, which enables serving the dual purpose of accurate risk prediction and intelligible representation of disease pathology. We illustrate these features in experiments using cancer registry data.
• Abstract（参考訳）: コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共同症状の時間的関係を推測できる。 事象データからこのような時間的パターンを学習することは、疾患の病態を理解し、予後を予測するのに不可欠である。 この目的のために我々は,ダイナミックグラフで表現された共生病発症者間の時間的関係をモデル化する深層拡散過程(ddp)を開発した。 ddpは、動的重み付きグラフのエッジによってパラメータ化された強度関数を持つ多次元点過程としてモデル化されたイベントを含む。 グラフ構造は、患者の履歴をエッジウェイトにマッピングするニューラルネットワークによって変調され、疾患軌跡の豊かな時間的表現を可能にする。 DDPパラメータは臨床的に有意義な構成要素に分離され、正確なリスク予測と疾患病理の理解不能な表現の両目的に役立てることができる。 癌登録データを用いた実験でこれらの特徴を説明する。

関連論文リスト

• GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease [9.69595196614787]
  本稿では,多モード臨床データ解析のための新しいヘテロジニアスハイパーグラフ融合フレームワークであるGAMA-PDを提案する。 GAMMA-PDは、高次情報を保存することにより、画像と非画像データを"ハイパーネットワーク"(患者集団グラフ)に統合する。 パーキンソン病における運動障害症状の予測に有意な改善が認められた。
  論文  参考訳（メタデータ） (2024-10-01T15:51:33Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Time-dependent Probabilistic Generative Models for Disease Progression [0.0]
  医療イベント間の不規則な時間間隔をモデル化するためのマルコフ的治療生成モデルを提案する。 予測最大化アルゴリズムを用いてモデルを学習し,動的プログラミング法を用いて効率よく解法する。
  論文  参考訳（メタデータ） (2023-11-15T21:00:00Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• COPER: Continuous Patient State Perceiver [13.735956129637945]
  本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。 ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。 提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
  論文  参考訳（メタデータ） (2022-08-05T14:32:57Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Context-aware Health Event Prediction via Transition Functions on Dynamic Disease Graphs [15.17817233616652]
  多くの機械学習アプローチは、患者の異なる訪問で病気の表現が静的であると仮定している。 動的疾患グラフ上の遷移関数を用いた文脈認識学習フレームワークを提案する。 2つの実世界のEHRデータセットの実験結果から、提案されたモデルは、健康事象を予測する上で、技術の現状よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-12-09T20:06:39Z)
• Temporal Clustering with External Memory Network for Disease Progression Modeling [8.015263440307631]
  疾患進行モデリング(DPM)は、特定の疾患の進行の重症度を定量的に測定するために数学的枠組みを使用する。 DPMは、健康状態の予測、疾患ステージの分類、疾患軌跡の評価など、多くの点で有用である。
  論文  参考訳（メタデータ） (2021-09-29T02:32:06Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。