論文の概要: Machine Learning for Health: Personalized Models for Forecasting of
Alzheimer Disease Progression
- arxiv url: http://arxiv.org/abs/2008.02667v1
- Date: Wed, 5 Aug 2020 17:33:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 18:29:54.688481
- Title: Machine Learning for Health: Personalized Models for Forecasting of
Alzheimer Disease Progression
- Title（参考訳）: 健康のための機械学習:アルツハイマー病進行予測のためのパーソナライズモデル
- Authors: Aritra Banerjee
- Abstract要約: 目的は、臨床試験データからアルツハイマー病(AD)の進行をパーソナライズするパーソナライズされた予測のために、現代の機械学習モデルを最適化することである。
プロジェクトの目標は、参加者の認知的変化のパーソナライズされた予測を実行するために使用できる機械学習モデルを開発することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this thesis the aim is to work on optimizing the modern machine learning
models for personalized forecasting of Alzheimer Disease (AD) Progression from
clinical trial data. The data comes from the TADPOLE challenge, which is one of
the largest publicly available datasets for AD research (ADNI dataset). The
goal of the project is to develop machine learning models that can be used to
perform personalized forecasts of the participants cognitive changes (e.g.,
ADAS-Cog13 scores) over the time period of 6,12, 18 and 24 months in the future
and the change in Clinical Status (CS) i.e., whether a person will convert to
AD within 2 years or not. This is important for informing current clinical
trials and better design of future clinical trials for AD. We will work with
personalized Gaussian processes as machine learning models to predict
ADAS-Cog13 score and Cox model along with a classifier to predict the
conversion in a patient within 2 years.This project is done with the
collaboration with researchers from the MIT MediaLab.
- Abstract（参考訳）: 本論文の目的は、臨床試験データからアルツハイマー病(ad)の進行をパーソナライズするための最新の機械学習モデルを最適化することである。
このデータは、広告研究(adni dataset)のための最大の公開データセットの1つであるtadpole challengeから得られたものだ。
このプロジェクトの目的は、将来6,12,18,24ヶ月の期間における参加者の認知変化(ADAS-Cog13スコア)のパーソナライズされた予測(例えば、ADAS-Cog13スコア)と臨床状況の変化(CS)、すなわち2年以内にADに変換されるかどうかの予測に使用できる機械学習モデルを開発することである。
これは、現在の臨床試験を報知し、将来のAD臨床試験のデザインを改善するために重要である。
私たちは、パーソナライズされたガウスプロセスを機械学習モデルとして、ADAS-Cog13スコアとCoxモデルを予測し、2年以内に患者の変換を予測する分類器とともに作業します。
関連論文リスト
- Towards System Modelling to Support Diseases Data Extraction from the Electronic Health Records for Physicians Research Activities [0.0]
本研究の目的は、特定の人口に対する疾患統計のモニタリングなど、研究活動に利用できるデータを提供することである。
EHRシステムの制限の1つは、データは標準フォーマットではなく様々な形式で利用できることである。
まず、疾患や人口統計データの名称を1つの標準化された形式に変換し、研究活動に利用できるようにする必要がある。
論文 参考訳（メタデータ） (2024-04-01T16:18:40Z) - Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳（メタデータ） (2024-02-02T00:31:01Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳（メタデータ） (2022-11-13T01:07:23Z) - A Comprehensive Benchmark for COVID-19 Predictive Modeling Using
Electronic Health Records in Intensive Care [15.64030213048907]
集中治療室における新型コロナウイルス患者のアウトカム特異的長期予測と早期死亡予測の2つの臨床予測課題を提案する。
この2つの課題は、新型コロナウイルス(COVID-19)患者の臨床実践に対応するため、単純で不安定な長寿と死亡予測のタスクから適応される。
我々は、公平で詳細なオープンソースのデータ前処理パイプラインを提案し、2つのタスクで17の最先端予測モデルを評価する。
論文 参考訳（メタデータ） (2022-09-16T09:09:15Z) - Development of patients triage algorithm from nationwide COVID-19
registry data based on machine learning [1.0323063834827415]
本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。
モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。
本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
論文 参考訳（メタデータ） (2021-09-18T19:56:27Z) - 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) - Predicting special care during the COVID-19 pandemic: A machine learning
approach [0.0]
本稿では,患者が特別なケアを必要としているかどうかを予測するため,統計と機械学習に基づく分析手法を提案する。
また、患者がそのようなケアを受ける日数も予測する。
分析的アプローチは、他の疾患で使用することができ、病院の容量を計画するのに役立つ。
論文 参考訳（メタデータ） (2020-11-06T00:18:27Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Application of Machine Learning to Predict the Risk of Alzheimer's
Disease: An Accurate and Practical Solution for Early Diagnostics [1.1470070927586016]
アルツハイマー病(AD)は500万人以上のアメリカ人の認知能力を悪化させ、医療システムに多大な負担をかけている。
本稿では,医療画像のない,臨床訪問や検査の少ないAD開発のための機械学習予測モデルを提案する。
本モデルは,2つの顕著な研究結果から,人口統計,バイオマーカー,認知テストデータを用いて訓練し,検証した。
論文 参考訳（メタデータ） (2020-06-02T14:52:51Z)
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。