論文の概要: Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units

• arxiv url: http://arxiv.org/abs/2007.08491v1
• Date: Thu, 16 Jul 2020 17:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-09 22:23:18.209078
• Title: Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units
• Title（参考訳）: マルチタスクゲートリカレントユニットを用いた電子健康記録からの心血管疾患発症の予測
• Authors: Fernando Andreotti, Frank S. Heldt, Basel Abu-Jamous, Ming Li, Avelino Javer, Oliver Carr, Stojan Jovanovic, Nadezda Lipunova, Benjamin Irving, Rabia T. Khan, Robert D\"urichen
• Abstract要約: 本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
• 参考スコア（独自算出の注目度）: 51.14334174570822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a multi-task recurrent neural network with attention mechanism for predicting cardiovascular events from electronic health records (EHRs) at different time horizons. The proposed approach is compared to a standard clinical risk predictor (QRISK) and machine learning alternatives using 5-year data from a NHS Foundation Trust. The proposed model outperforms standard clinical risk scores in predicting stroke (AUC=0.85) and myocardial infarction (AUC=0.89), considering the largest time horizon. Benefit of using an \gls{mt} setting becomes visible for very short time horizons, which results in an AUC increase between 2-6%. Further, we explored the importance of individual features and attention weights in predicting cardiovascular events. Our results indicate that the recurrent neural network approach benefits from the hospital longitudinal information and demonstrates how machine learning techniques can be applied to secondary care.
• Abstract（参考訳）: 本研究では,電子健康記録(ehrs)から心血管イベントを時間軸ごとに予測するための注意機構を備えたマルチタスクリカレントニューラルネットワークを提案する。 提案手法は,nhs foundation trustの5年間のデータを用いて,標準臨床リスク予測器(qrisk)と機械学習代替品と比較した。 予測脳卒中 (auc=0.85) と心筋梗塞 (auc=0.89) における標準臨床リスクスコアを, 最大時間軸を考慮し, 比較検討した。 gls{mt} 設定を使うことの利点は、非常に短時間の水平線で見え、その結果 AUC は 2-6% に増加する。 さらに,心血管イベントの予測における個々の特徴と注意重みの重要性について検討した。 以上の結果から,リカレントニューラルネットワークアプローチは病院の縦断情報から利益を得られることを示し,二次医療における機械学習手法の適用方法を示す。

関連論文リスト

• An Empirical Investigation of Reconstruction-Based Models for Seizure Prediction from ECG Signals [0.0]
  てんかん発作(Epileptic seizures)は、脳の異常で過剰な神経活動が特徴の神経疾患である。 伝統的に、脳波信号は発作予知の主要な標準となっている。 本研究は発作予測の代替手段として心電図信号を活用することに焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-11T09:33:11Z)
• ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
  ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。 我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
  論文  参考訳（メタデータ） (2024-09-19T06:14:30Z)
• Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
  本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。 我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。 厳密な実験と検証により,RNNモデルの優れた性能が示された。
  論文  参考訳（メタデータ） (2024-09-03T19:18:16Z)
• A dual-task mutual learning framework for predicting post-thrombectomy cerebral hemorrhage [42.24368372333753]
  患者の初回CT検査のみを用いて術後脳出血を計測するための新しい予測枠組みを提案する。 本手法では, 最新診断法よりも追跡CTの精度が向上し, 追跡診断ラベルの精度が86.37%向上した。
  論文  参考訳（メタデータ） (2024-08-01T22:08:52Z)
• 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)
• Large Language Model-informed ECG Dual Attention Network for Heart Failure Risk Prediction [9.823423993036055]
  心不全(HF)は、世界的な死亡率の上昇とともに、公衆衛生上の大きな課題となる。 12誘導心電図(ECG)を用いた新しいHFリスク予測手法を提案する。 本稿では, 早期HFリスク予測に不可欠な複雑なECG特徴を捉えるために設計された, 軽量なデュアルアテンションECGネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-15T13:25:09Z)
• TA-RNN: an Attention-based Time-aware Recurrent Neural Network Architecture for Electronic Health Records [0.0]
  リカレントニューラルネットワーク(RNN)のような深層学習手法を用いて、ERHを分析して疾患の進行をモデル化し、診断を予測する。 本研究では,TA-RNN(Time-Aware RNN)とTA-RNN-Autoencoder(TA-RNN-AE)という,RNNに基づく2つの解釈可能なDLアーキテクチャを提案する。 本研究では,不規則な時間間隔の影響を軽減するため,訪問時間間の時間埋め込みを取り入れることを提案する。
  論文  参考訳（メタデータ） (2024-01-26T07:34:53Z)
• DySurv: dynamic deep learning model for survival analysis with conditional variational inference [2.6163120339292654]
  本研究では,動的に死亡リスクを推定する条件付き変分自動エンコーダDySurvを提案する。 DySurv は累積リスク発生関数を直接見積もるが、時間から時間までのプロセスのパラメトリックな仮定は行わない。
  論文  参考訳（メタデータ） (2023-10-28T11:29:09Z)
• Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
  本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。 本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチ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） (2023-08-19T03:24:34Z)
• 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)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。