論文の概要: Temporal Phenotyping using Deep Predictive Clustering of Disease Progression

• arxiv url: http://arxiv.org/abs/2006.08600v1
• Date: Mon, 15 Jun 2020 20:48:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 03:50:05.739807
• Title: Temporal Phenotyping using Deep Predictive Clustering of Disease Progression
• Title（参考訳）: deep prediction clustering of disease progressionを用いた時間表現型
• Authors: Changhee Lee and Mihaela van der Schaar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 97.88605060346455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the wider availability of modern electronic health records, patient care data is often being stored in the form of time-series. Clustering such time-series data is crucial for patient phenotyping, anticipating patients' prognoses by identifying "similar" patients, and designing treatment guidelines that are tailored to homogeneous patient subgroups. In this paper, we develop a deep learning approach for clustering time-series data, where each cluster comprises patients who share similar future outcomes of interest (e.g., adverse events, the onset of comorbidities). To encourage each cluster to have homogeneous future outcomes, the clustering is carried out by learning discrete representations that best describe the future outcome distribution based on novel loss functions. Experiments on two real-world datasets show that our model achieves superior clustering performance over state-of-the-art benchmarks and identifies meaningful clusters that can be translated into actionable information for clinical decision-making.
• Abstract（参考訳）: 現代の電子健康記録が広く入手可能であるため、患者のケアデータは時系列形式で保存されることが多い。 このような時系列データをクラスタリングすることは、患者の表現型化、類似した患者の識別による患者の予後予測、同種患者サブグループに適した治療ガイドラインの設計に不可欠である。 本稿では、時系列データをクラスタリングするための深層学習手法を開発し、各クラスタは、類似した将来的な利益(例えば、有害事象、協調の開始)を共有する患者から構成される。 各クラスタが均質な将来結果を持つことを奨励するために、新たな損失関数に基づいて将来の成果分布を最もよく記述する離散表現を学習してクラスタ化を行う。 2つの実世界のデータセットの実験により、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を達成し、臨床的意思決定のために実行可能な情報に変換できる意味のあるクラスタを特定する。

関連論文リスト

• 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)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• Comparative study of clustering models for multivariate time series from connected medical devices [0.0]
  予測モデルを用いて、潜在クラスタ空間を形成しながら、将来の値を予測できることが示される。 Withingのデータセット上で、時系列全体をクラスタリングするMAGMAC LUSTと、個人のグループアフィリエイトが時間とともに変化するDGM$2$の2つのモデルを比較する。
  論文  参考訳（メタデータ） (2023-12-28T07:37:30Z)
• A Self-Supervised Learning-based Approach to Clustering Multivariate Time-Series Data with Missing Values (SLAC-Time): An Application to TBI Phenotyping [8.487912181381404]
  自己教師型学習に基づく多変量時系列データのクラスタリング手法を提案する(SLAC-Time)。 SLAC-TimeはTransformerベースのクラスタリング手法で、ラベルのないデータを活用するためのプロキシタスクとして時系列予測を使用する。 実験により、SLAC-Timeは、シルエット係数、カリンスキー・ハラバスツ指数、ダン指数、デイビース・ボルディン指数の点で、ベースラインのK平均クラスタリングアルゴリズムより優れていることが示された。
  論文  参考訳（メタデータ） (2023-02-27T01:05:17Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
  変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。 提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
  論文  参考訳（メタデータ） (2021-06-10T14:10:25Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease [3.1564542805009332]
  当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。 本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T01:18:33Z)
• 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)

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。