論文の概要: A General Framework for Survival Analysis and Multi-State Modelling
- arxiv url: http://arxiv.org/abs/2006.04893v2
- Date: Mon, 15 Feb 2021 17:53:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 00:58:12.822341
- Title: A General Framework for Survival Analysis and Multi-State Modelling
- Title（参考訳）: 生存分析と多状態モデリングの汎用的枠組み
- Authors: Stefan Groha, Sebastian M Schmon, Alexander Gusev
- Abstract要約: ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
- 参考スコア（独自算出の注目度）: 70.31153478610229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Survival models are a popular tool for the analysis of time to event data
with applications in medicine, engineering, economics, and many more. Advances
like the Cox proportional hazard model have enabled researchers to better
describe hazard rates for the occurrence of single fatal events, but are unable
to accurately model competing events and transitions. Common phenomena are
often better described through multiple states, for example: the progress of a
disease modeled as healthy, sick and dead instead of healthy and dead, where
the competing nature of death and disease has to be taken into account.
Moreover, Cox models are limited by modeling assumptions, like proportionality
of hazard rates and linear effects. Individual characteristics can vary
significantly between observational units, like patients, resulting in
idiosyncratic hazard rates and different disease trajectories. These
considerations require flexible modeling assumptions. To overcome these issues,
we propose the use of neural ordinary differential equations as a flexible and
general method for estimating multi-state survival models by directly solving
the Kolmogorov forward equations. To quantify the uncertainty in the resulting
individual cause-specific hazard rates, we further introduce a variational
latent variable model and show that this enables meaningful clustering with
respect to multi-state outcomes as well as interpretability regarding covariate
values. We show that our model exhibits state-of-the-art performance on popular
survival data sets and demonstrate its efficacy in a multi-state setting
- Abstract（参考訳）: 生存モデル(Survival model)は、医学、工学、経済学、その他多くの分野で応用されたイベントデータを分析するための一般的なツールである。
Cox比例的ハザードモデルのような進歩により、研究者は単一の致命的な事象の発生に対するハザード率をより正確に記述することができたが、競合する事象や遷移を正確にモデル化することはできない。
例えば、健康や死ではなく、健康、病気、死としてモデル化された病気の進行は、死と病気の競合する性質を考慮すべきである。
さらに、コックスモデルはハザードレートの比例や線形効果のようなモデリング仮定によって制限される。
個々の特性は、患者のような観察単位によって大きく異なり、特発性ハザード率と疾患の軌跡が異なる。
これらの考慮は柔軟なモデリングの前提を必要とする。
そこで本研究では,神経常微分方程式を柔軟かつ汎用的に多状態生存モデル推定法として利用し,コルモゴロフ前方方程式を直接解く手法を提案する。
結果の個人原因特異的ハザードレートの不確かさを定量化するため,変分潜在変数モデルを導入し,多状態結果に対する有意義なクラスタリングと共変値に関する解釈可能性を示す。
我々は,本モデルが一般的なサバイバルデータセットにおいて最先端のパフォーマンスを示すことを示し,マルチステート環境での有効性を実証する。
関連論文リスト
- Unscrambling disease progression at scale: fast inference of event permutations with optimal transport [2.9087305408570945]
疾患進行モデルでは、慢性変性状態として、患者の特徴の変化の群レベルの時間的軌跡を推定する。
本研究では,Birkhoff polytopeに属する事象の潜在置換行列として,最適な輸送からモデル疾患進行へのアイデアを活用する。
実験は、シミュレーションにおけるノイズに対する速度、精度、堅牢性の増加を実証する。
論文 参考訳（メタデータ） (2024-10-18T11:44:29Z) - 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) - Towards a Transportable Causal Network Model Based on Observational
Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。
このモデルは、患者の2つの異なるコホートからなるデータから学習する。
結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文 参考訳（メタデータ） (2023-11-13T13:23:31Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - Factor-Augmented Regularized Model for Hazard Regression [1.8021287677546953]
本研究では,ハザード回帰のための因子拡張正規化モデル(FarmHazard)を提案する。
モデル選択の整合性と推定の整合性を軽度条件下で証明する。
また,超高次元問題における強い相関に対処する因子拡張可変スクリーニング手法を開発した。
論文 参考訳（メタデータ） (2022-10-03T16:35:33Z) - Pseudo value-based Deep Neural Networks for Multi-state Survival
Analysis [9.659041001051415]
本稿では,多状態生存分析のための擬似値に基づくディープラーニングモデルを提案する。
提案するモデルでは,様々な検閲条件下で最先端の結果が得られた。
論文 参考訳（メタデータ） (2022-07-12T03:58:05Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Unifying Epidemic Models with Mixtures [28.771032745045428]
新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。
本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。
モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
論文 参考訳（メタデータ） (2022-01-07T19:42:05Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z)
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。