論文の概要: Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale

• arxiv url: http://arxiv.org/abs/2003.06516v2
• Date: Sat, 18 Jul 2020 10:28:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 20:02:59.883026
• Title: Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale
• Title（参考訳）: 大規模患者の階層化を解き放つための電子健康記録の深部表現学習
• Authors: Isotta Landi, Benjamin S. Glicksberg, Hao-Chih Lee, Sarah Cherng, Giulia Landi, Matteo Danieletto, Joel T. Dudley, Cesare Furlanello, and Riccardo Miotto
• Abstract要約: ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
• 参考スコア（独自算出の注目度）: 0.5498849973527224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deriving disease subtypes from electronic health records (EHRs) can guide next-generation personalized medicine. However, challenges in summarizing and representing patient data prevent widespread practice of scalable EHR-based stratification analysis. Here we present an unsupervised framework based on deep learning to process heterogeneous EHRs and derive patient representations that can efficiently and effectively enable patient stratification at scale. We considered EHRs of 1,608,741 patients from a diverse hospital cohort comprising of a total of 57,464 clinical concepts. We introduce a representation learning model based on word embeddings, convolutional neural networks, and autoencoders (i.e., ConvAE) to transform patient trajectories into low-dimensional latent vectors. We evaluated these representations as broadly enabling patient stratification by applying hierarchical clustering to different multi-disease and disease-specific patient cohorts. ConvAE significantly outperformed several baselines in a clustering task to identify patients with different complex conditions, with 2.61 entropy and 0.31 purity average scores. When applied to stratify patients within a certain condition, ConvAE led to various clinically relevant subtypes for different disorders, including type 2 diabetes, Parkinson's disease and Alzheimer's disease, largely related to comorbidities, disease progression, and symptom severity. With these results, we demonstrate that ConvAE can generate patient representations that lead to clinically meaningful insights. This scalable framework can help better understand varying etiologies in heterogeneous sub-populations and unlock patterns for EHR-based research in the realm of personalized medicine.
• Abstract（参考訳）: 電子健康記録(EHR)から病気のサブタイプを抽出することは、次世代のパーソナライズド医療を導くことができる。 しかし、患者データの要約と表現の課題は、スケーラブルなEHRベースの成層解析の広範な実践を妨げる。 本稿では, 患者階層化を効果的かつ効果的に行える, 不均一なEHRを処理し, 患者表現を導出するための, 深層学習に基づく教師なしフレームワークを提案する。 臨床概念は57,464例の多彩な病院コホートから1,608,741例について検討した。 本稿では,単語埋め込み,畳み込みニューラルネットワーク,自動エンコーダ(ConvAE)に基づく表現学習モデルを導入し,患者軌道を低次元潜在ベクトルに変換する。 異なるマルチダイゼアーゼと疾患特異的患者コホートに階層的クラスタリングを適用することで,患者の階層化を広範に可能と評価した。 ConvAEはクラスタリングタスクにおいて,2.61エントロピーと0.31純度の平均スコアを持つ,異なる複雑な状態の患者を特定するために,いくつかのベースラインを著しく上回った。 特定の状態の中で患者を成層化するために適用された際、ConvAEは2型糖尿病、パーキンソン病、アルツハイマー病など、様々な疾患に関連のある様々なサブタイプを誘導した。 これらの結果から,ConvAEは臨床的に有意な洞察をもたらす患者表現を生成できることを示した。 このスケーラブルなフレームワークは、パーソナライズドメディカルの領域におけるEHRベースの研究のための、異種サブポピュレーションやアンロックパターンのさまざまなエチオロジーをよりよく理解するのに役立ちます。

関連論文リスト

• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• Clustering of Disease Trajectories with Explainable Machine Learning: A Case Study on Postoperative Delirium Phenotypes [13.135589459700865]
  本稿では,パーソナライズされたPODリスク予測のための教師付き機械学習と,潜在的POD表現型を明らかにするための教師なしクラスタリング技術を組み合わせたアプローチを提案する。 SHAPの特徴空間におけるクラスタリング患者は,真の表現型を回復し,生の特徴空間におけるクラスタリングに優れることを示した。
  論文  参考訳（メタデータ） (2024-05-06T10:05:46Z)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Toward Cohort Intelligence: A Universal Cohort Representation Learning Framework for Electronic Health Record Analysis [15.137213823470544]
  本稿では, 患者間の詳細なコホート情報を活用することで, EHR活用を促進するための共通コホート表現 lEarning (CORE) フレームワークを提案する。 COREは多様なバックボーンモデルに容易に適用でき、コホート情報を医療手法に注入してパフォーマンスを高める普遍的なプラグインフレームワークとして機能する。
  論文  参考訳（メタデータ） (2023-04-10T09:12:37Z)
• Longitudinal patient stratification of electronic health records with flexible adjustment for clinical outcomes [0.7874708385247353]
  我々は、再構成、結果、クラスタリング損失を用いて、ERHデータをクラスタリングするリカレントニューラルネットワークオートエンコーダを開発する。 糖尿病患者29,229ドルの患者を対象に,異なる軌跡と異なる結果の患者集団のモデル性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T11:21:39Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  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。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。