論文の概要: Neural Temporal Point Processes For Modelling Electronic Health Records
- arxiv url: http://arxiv.org/abs/2007.13794v2
- Date: Mon, 7 Dec 2020 14:47:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 07:53:44.622513
- Title: Neural Temporal Point Processes For Modelling Electronic Health Records
- Title(参考訳): 電子健康記録のモデル化のための神経時空間過程
- Authors: Joseph Enguehard, Dan Busbridge, Adam Bozson, Claire Woodcock and Nils
Y. Hammerla
- Abstract要約: EHRを時間的ポイントプロセスによって生成されるサンプルとして扱う。
本稿では、TPPのニューラルネットワークパラメータ化を提案し、これを総合的にNeural TPPと呼ぶ。
以上の結果から,TPP は EHR において非TPP よりも有意に優れていた。
- 参考スコア(独自算出の注目度): 2.1836918611973366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The modelling of Electronic Health Records (EHRs) has the potential to drive
more efficient allocation of healthcare resources, enabling early intervention
strategies and advancing personalised healthcare. However, EHRs are challenging
to model due to their realisation as noisy, multi-modal data occurring at
irregular time intervals. To address their temporal nature, we treat EHRs as
samples generated by a Temporal Point Process (TPP), enabling us to model what
happened in an event with when it happened in a principled way. We gather and
propose neural network parameterisations of TPPs, collectively referred to as
Neural TPPs. We perform evaluations on synthetic EHRs as well as on a set of
established benchmarks. We show that TPPs significantly outperform their
non-TPP counterparts on EHRs. We also show that an assumption of many Neural
TPPs, that the class distribution is conditionally independent of time, reduces
performance on EHRs. Finally, our proposed attention-based Neural TPP performs
favourably compared to existing models, whilst aligning with real world
interpretability requirements, an important step towards a component of
clinical decision support systems.
- Abstract(参考訳): 電子健康記録(EHR)のモデリングは、医療資源のより効率的な配分を促進する可能性があり、早期介入戦略とパーソナライズドヘルスケアの推進を可能にする。
しかし、EHRはノイズの多いマルチモーダルデータとして不規則な時間間隔で発生するため、モデル化が難しい。
それらの時間的性質に対処するため、時間的ポイントプロセス(TPP)によって生成されたサンプルとしてEHRを扱い、原則化された方法で発生した事象と関連する事象をモデル化する。
我々は、総称してneural tppsと呼ばれるtppのニューラルネットワークパラメータ化を収集し、提案する。
我々は,合成EHRと確立されたベンチマークのセットの評価を行う。
以上の結果から,TPP は EHR において非TPP よりも有意に優れていた。
また、クラス分布が時間に依存しない多くのニューラルTPPの仮定は、EHRの性能を低下させることを示す。
最後に,本提案手法を用いたニューラルTPPは,実世界の解釈可能性要件と整合しながら,既存のモデルと比較して良好に動作し,臨床診断支援システムの構成要素に向けた重要なステップである。
関連論文リスト
- Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳(メタデータ) (2024-06-20T02:20:23Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳(メタデータ) (2024-06-03T16:30:19Z) - Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す
提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。
コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文 参考訳(メタデータ) (2024-02-01T07:21:30Z) - Learnable Prompt as Pseudo-Imputation: Reassessing the Necessity of
Traditional EHR Data Imputation in Downstream Clinical Prediction [16.638760651750744]
既存のディープラーニングトレーニングプロトコルでは、欠落した値を再構築するために統計情報や計算モデルを使用する必要がある。
本稿では,Pseudo Imputation (PAI) を新たなトレーニングプロトコルとして紹介する。
PAIはもはやインプットデータを導入しないが、ダウンストリームモデルの暗黙の選好を欠落値にモデル化するための学習可能なプロンプトを構築する。
論文 参考訳(メタデータ) (2024-01-30T07:19:36Z) - On the Predictive Accuracy of Neural Temporal Point Process Models for
Continuous-time Event Data [3.13468877208035]
時間的ポイントプロセス(TPP)は、非同期イベントシーケンスを連続的にモデル化するための標準的な数学的フレームワークとして機能する。
ニューラルネットワークのパラメトリゼーションを活用し、より柔軟で効率的なモデリングを提供するNeural TPPを提案する。
本研究では,最先端のニューラルTPPモデルの予測精度を系統的に評価する。
論文 参考訳(メタデータ) (2023-06-29T16:14:43Z) - Cumulative Stay-time Representation for Electronic Health Records in
Medical Event Time Prediction [8.261597797345342]
累積滞留時間表現(CTR)と呼ばれる新しいEMHデータ表現を提案する。
CTRはそのような累積的な健康状態を直接モデル化する。
我々は、ターゲットデータに適合する柔軟性を持つニューラルネットワークに基づくトレーニング可能なCTRの構築を導出する。
論文 参考訳(メタデータ) (2022-04-28T12:34:41Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳(メタデータ) (2021-08-31T08:23:56Z) - HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。
過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。
このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文 参考訳(メタデータ) (2020-08-17T23:39:33Z) - 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。