論文の概要: A Kernel to Exploit Informative Missingness in Multivariate Time Series
from EHRs
- arxiv url: http://arxiv.org/abs/2002.12359v1
- Date: Thu, 27 Feb 2020 09:54:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 07:46:42.487763
- Title: A Kernel to Exploit Informative Missingness in Multivariate Time Series
from EHRs
- Title(参考訳): EHRからの多変量時系列におけるインフォーマティブな欠如を爆発させるカーネル
- Authors: Karl {\O}yvind Mikalsen and Cristina Soguero-Ruiz and Robert Jenssen
- Abstract要約: 電子健康記録(EHR)の大部分は、経時的に収集された臨床測定値である。
これらの臨床測定のシーケンスは、自然に時系列として表され、複数の変数と大量の欠落データによって特徴づけられる。
本稿では,観測値からの情報と,欠落したパターンに隠された情報の両方を活用可能な新しいカーネルを提案する。
- 参考スコア(独自算出の注目度): 15.582624049086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A large fraction of the electronic health records (EHRs) consists of clinical
measurements collected over time, such as lab tests and vital signs, which
provide important information about a patient's health status. These sequences
of clinical measurements are naturally represented as time series,
characterized by multiple variables and large amounts of missing data, which
complicate the analysis. In this work, we propose a novel kernel which is
capable of exploiting both the information from the observed values as well the
information hidden in the missing patterns in multivariate time series (MTS)
originating e.g. from EHRs. The kernel, called TCK$_{IM}$, is designed using an
ensemble learning strategy in which the base models are novel mixed mode
Bayesian mixture models which can effectively exploit informative missingness
without having to resort to imputation methods. Moreover, the ensemble approach
ensures robustness to hyperparameters and therefore TCK$_{IM}$ is particularly
well suited if there is a lack of labels - a known challenge in medical
applications. Experiments on three real-world clinical datasets demonstrate the
effectiveness of the proposed kernel.
- Abstract(参考訳): 電子健康記録(ehrs)の大部分は、検査やバイタルサインなどの時間とともに収集された臨床測定からなり、患者の健康状態に関する重要な情報を提供する。
これらの臨床測定のシーケンスは自然に時系列として表され、複数の変数と大量の欠落データによって特徴づけられ、解析が複雑になる。
本研究では、観測値からの情報と、EHRから派生した多変量時系列(MTS)の欠落パターンに隠された情報の両方を活用できる新しいカーネルを提案する。
TCK$_{IM}$と呼ばれるカーネルは、アンサンブル学習戦略を用いて設計されており、ベースモデルが新しい混合モードのベイズ混合モデルであり、命令法を使わずに情報不足を効果的に活用することができる。
さらに、アンサンブルアプローチはハイパーパラメータに対する堅牢性を保証するため、TCK$_{IM}$はラベルが不足している場合には特に適している。
3つの実世界の臨床データセットの実験は、提案したカーネルの有効性を示す。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Dynamic Multimodal Information Bottleneck for Multimodality
Classification [26.65073424377933]
本稿では,頑健な融合特徴表現を実現するための動的マルチモーダル情報ボトルネックフレームワークを提案する。
具体的には、情報ボトルネックモジュールは、融合機能におけるタスク関連情報やノイズをフィルタリングするのに役立ちます。
提案手法は最先端の手法を超越し, 大規模ノイズチャネルが存在する場合, 性能を維持できる唯一の手法である。
論文 参考訳(メタデータ) (2023-11-02T08:34:08Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳(メタデータ) (2023-06-27T16:59:06Z) - Time-dependent Iterative Imputation for Multivariate Longitudinal
Clinical Data [0.0]
Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。
500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
論文 参考訳(メタデータ) (2023-04-16T16:10:49Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳(メタデータ) (2021-03-22T05:19:40Z) - Active Selection of Classification Features [0.0]
人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。
本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
論文 参考訳(メタデータ) (2021-02-26T18:19:08Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Multi-view Integration Learning for Irregularly-sampled Clinical Time
Series [1.9639092030562577]
不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。
我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。
我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
論文 参考訳(メタデータ) (2021-01-25T10:02:50Z) - A Review of Deep Learning Methods for Irregularly Sampled Medical Time
Series Data [7.735948372571363]
不規則サンプリング時系列(ISTS)データは、観測とシーケンス間の異なるサンプリング率の間に不規則な時間間隔を持つ。
EHRデータの深層学習法は、パーソナライズされた治療、正確な診断、医療管理に重要である。
本稿では,これらの深層学習手法を,技術とタスクの観点から概観する。
論文 参考訳(メタデータ) (2020-10-23T15:51:23Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。