論文の概要: Multimodal Learning for Cardiovascular Risk Prediction using EHR Data
- arxiv url: http://arxiv.org/abs/2008.11979v1
- Date: Thu, 27 Aug 2020 08:09:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 07:25:30.706948
- Title: Multimodal Learning for Cardiovascular Risk Prediction using EHR Data
- Title(参考訳): EHRデータを用いた心血管リスク予測のためのマルチモーダル学習
- Authors: Ayoub Bagheri, T. Katrien J. Groenhof, Wouter B. Veldhuis, Pim A. de
Jong, Folkert W. Asselbergs, Daniel L. Oberski
- Abstract要約: 本稿では,医療用テキストと構造化臨床情報を統合した循環神経モデルを提案する。
BiLSTMモデルは、最後の完全に接続されたニューラルネットワークに適用する前に、単語の埋め込みを古典的な臨床予測者に埋め込む。
明らかな血管疾患または高リスクの心血管疾患を有する実世界の患者のデータセットで評価する。
- 参考スコア(独自算出の注目度): 0.9805331696863404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electronic health records (EHRs) contain structured and unstructured data of
significant clinical and research value. Various machine learning approaches
have been developed to employ information in EHRs for risk prediction. The
majority of these attempts, however, focus on structured EHR fields and lose
the vast amount of information in the unstructured texts. To exploit the
potential information captured in EHRs, in this study we propose a multimodal
recurrent neural network model for cardiovascular risk prediction that
integrates both medical texts and structured clinical information. The proposed
multimodal bidirectional long short-term memory (BiLSTM) model concatenates
word embeddings to classical clinical predictors before applying them to a
final fully connected neural network. In the experiments, we compare
performance of different deep neural network (DNN) architectures including
convolutional neural network and long short-term memory in scenarios of using
clinical variables and chest X-ray radiology reports. Evaluated on a data set
of real world patients with manifest vascular disease or at high-risk for
cardiovascular disease, the proposed BiLSTM model demonstrates state-of-the-art
performance and outperforms other DNN baseline architectures.
- Abstract(参考訳): 電子健康記録(EHR)は、重要な臨床および研究価値の構造化および非構造化データを含む。
リスク予測のために、さまざまな機械学習アプローチがEHRに情報を活用するために開発されている。
しかし、これらの試みの大部分は構造化されたEHRフィールドに焦点を当て、構造化されていないテキストの膨大な情報を失う。
そこで本研究では,心血管リスク予測のためのマルチモーダルリカレントニューラルネットワークモデルを提案する。
提案するbidirectional long short-term memory (bilstm)モデルは,完全接続型ニューラルネットワークに適用する前に,古典的臨床予測器への単語埋め込みを結合する。
実験では,臨床変数と胸部X線X線診断のシナリオにおいて,畳み込みニューラルネットワークや長期記憶を含む異なるディープニューラルネットワーク(DNN)アーキテクチャの性能を比較した。
心血管疾患や高リスクの心血管疾患を有する実世界の患者のデータセットに基づいて,提案したBiLSTMモデルは,最先端の性能を示し,他のDNNベースラインアーキテクチャを上回る性能を示す。
関連論文リスト
- Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - PTGB: Pre-Train Graph Neural Networks for Brain Network Analysis [39.16619345610152]
臨床結果に関係なく,脳内ネットワーク構造をキャプチャするGNN事前学習フレームワークPTGBを提案する。
PTGBは,(1)脳ネットワークに特化して設計された教師なし事前学習技術で,タスク固有のラベルを持たない大規模データセットからの学習を可能にすること,(2)異なるROIシステムを持つデータセット間の知識伝達を容易にするデータ駆動型パーセルレーションアトラスマッピングパイプラインである。
論文 参考訳(メタデータ) (2023-05-20T21:07:47Z) - Deep Neural Networks Generalization and Fine-Tuning for 12-lead ECG
Classification [0.0]
本稿では,さまざまなデータセット上でニューラルネットワークをトレーニングすることで,データセットに関わらず,心臓病の予測精度を向上させる手法を提案する。
大規模なデータセット上でネットワークをトレーニングし、それを別のソースから小さなデータセットで微調整することで、1つの小さなデータセットでのみトレーニングされたネットワークのパフォーマンスが向上することを示した。
論文 参考訳(メタデータ) (2023-05-19T14:49:04Z) - 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) - Simple Recurrent Neural Networks is all we need for clinical events
predictions using EHR data [22.81278657120305]
リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、EHRに基づく臨床イベント予測モデルのための一般的なアーキテクチャである。
心不全の発症リスクと入院早期入院のリスクの2つの予測課題を用いた。
GRUやLSTMなどの単純なゲート付きRNNモデルでは,ベイズ最適化を適切に調整した場合に,しばしば競合する結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-10-03T13:07:23Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning
to Integrate Multimodal and Dynamic Functional Connectomics data for
Multidimensional Clinical Characterizations [7.973810752596346]
静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。
本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。
我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
論文 参考訳(メタデータ) (2020-08-27T23:43:56Z) - A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis [12.02718865835448]
AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。
慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
論文 参考訳(メタデータ) (2020-08-14T11:19:32Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳(メタデータ) (2020-07-15T09:22:55Z)
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。