論文の概要: Learning Hidden Patterns from Patient Multivariate Time Series Data Using Convolutional Neural Networks: A Case Study of Healthcare Cost Prediction

• arxiv url: http://arxiv.org/abs/2009.06783v1
• Date: Mon, 14 Sep 2020 23:11:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 12:52:26.759226
• Title: Learning Hidden Patterns from Patient Multivariate Time Series Data Using Convolutional Neural Networks: A Case Study of Healthcare Cost Prediction
• Title（参考訳）: 畳み込みニューラルネットワークを用いた多変量時系列データからの隠れパターンの学習:医療費予測の事例研究
• Authors: Mohammad Amin Morid, Olivia R. Liu Sheng, Kensaku Kawamoto, Samir Abdelrahman
• Abstract要約: 我々は、畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて、効果的でスケーラブルな患者コスト予測手法を開発した。 われわれは2013年から2016年までの3年間の医療・薬局の請求データを医療保険会社から利用した。
• 参考スコア（独自算出の注目度）: 2.1725910903497176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: To develop an effective and scalable individual-level patient cost prediction method by automatically learning hidden temporal patterns from multivariate time series data in patient insurance claims using a convolutional neural network (CNN) architecture. Methods: We used three years of medical and pharmacy claims data from 2013 to 2016 from a healthcare insurer, where data from the first two years were used to build the model to predict costs in the third year. The data consisted of the multivariate time series of cost, visit and medical features that were shaped as images of patients' health status (i.e., matrices with time windows on one dimension and the medical, visit and cost features on the other dimension). Patients' multivariate time series images were given to a CNN method with a proposed architecture. After hyper-parameter tuning, the proposed architecture consisted of three building blocks of convolution and pooling layers with an LReLU activation function and a customized kernel size at each layer for healthcare data. The proposed CNN learned temporal patterns became inputs to a fully connected layer. Conclusions: Feature learning through the proposed CNN configuration significantly improved individual-level healthcare cost prediction. The proposed CNN was able to outperform temporal pattern detection methods that look for a pre-defined set of pattern shapes, since it is capable of extracting a variable number of patterns with various shapes. Temporal patterns learned from medical, visit and cost data made significant contributions to the prediction performance. Hyper-parameter tuning showed that considering three-month data patterns has the highest prediction accuracy. Our results showed that patients' images extracted from multivariate time series data are different from regular images, and hence require unique designs of CNN architectures.
• Abstract（参考訳）: 目的: 畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて, 患者保険債権における多変量時系列データから隠れた時間パターンを自動的に学習し, 効果的かつスケーラブルな患者コスト予測手法を開発する。 方法:2013年から2016年までの3年間の医療・薬局の請求データを用いて、最初の2年間のデータを使って3年間のコスト予測モデルを構築した。 データは、患者の健康状態のイメージ(例えば、時間窓のある行列と、他の次元の医療、訪問、費用の特徴)として形成された、多変量時系列のコスト、訪問、医療の特徴で構成された。 患者の多変量時系列画像は,提案アーキテクチャを用いたcnn法に与えられた。 ハイパーパラメータチューニング後、提案アーキテクチャは、LRELUアクティベーション機能と各レイヤにカスタマイズされたカーネルサイズを備えた3つのコンボリューション層とプール層で構成された。 提案するcnn学習時相パターンは,完全連結層への入力となる。 結論: 提案したCNN構成による特徴学習は,個々の医療費予測を大幅に改善した。 提案したCNNは,様々な形状のパターンを抽出できるため,予め定義されたパターン形状の集合を求める時間的パターン検出手法よりも優れていた。 医療,訪問,費用データから得られた時間パターンは,予測性能に大きな貢献をした。 ハイパーパラメータチューニングでは,3ヶ月のデータパターンを考慮すると予測精度が最も高かった。 その結果,多変量時系列データから抽出した患者の画像は,通常の画像と異なり,CNNアーキテクチャのユニークな設計が必要であることがわかった。

関連論文リスト

• Masked LoGoNet: Fast and Accurate 3D Image Analysis for Medical Domain [48.440691680864745]
  我々はLoGoNetと呼ばれる新しいニューラルネットワークアーキテクチャを導入する。 LoGoNetは、LKA(Large Kernel Attention)とデュアルエンコーディング戦略を利用して、U字型アーキテクチャに新しい特徴抽出器を統合する。 大規模ラベル付きデータセットの欠如を補うために,3次元画像に適した新しいSSL方式を提案する。
  論文  参考訳（メタデータ） (2024-02-09T05:06:58Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• LegoNet: Alternating Model Blocks for Medical Image Segmentation [0.7550390281305251]
  我々は、レゴブロックを組み立てる方法を模倣して、新しいアーキテクチャを生成するために、構造的に異なるブロックの種類を交互に提案する。 CNNベースの2つのブロックとSwinViTベースのブロックを用いて、医療画像における分割タスクにブロック変更という新しい概念を適用した、いわゆるLegoNetの3つのバリエーションを調査した。
  論文  参考訳（メタデータ） (2023-06-06T08:22:47Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting Functional Outcome in Stroke Patients [1.5250925845050138]
  脳卒中患者の管理において臨床結果予測は重要な役割を担っている。 機械学習の観点から見ると、大きな課題のひとつは異種データを扱うことだ。 本稿では,長い短期記憶(CNN-LSTM)に基づくアンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2022-05-11T14:46:01Z)
• Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
  本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。 我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
  論文  参考訳（メタデータ） (2020-10-16T08:29:36Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Healthcare Cost Prediction: Leveraging Fine-grain Temporal Patterns [1.8537353833167836]
  われわれは2013年から2016年までの3年間の医療・薬局の請求データを医療保険会社から利用した。 まず患者の側頭葉データを,粗い側頭葉ではなく細粒形で使用した。 コスト予測性能を向上させるための時間パターン抽出のための新しいスパイク検出機能を開発した。
  論文  参考訳（メタデータ） (2020-09-14T22:49:50Z)
• Enhancing Fiber Orientation Distributions using convolutional Neural Networks [0.0]
  商業的に取得したMRIにおけるFODの改善について学ぶ。 パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価 本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
  論文  参考訳（メタデータ） (2020-08-12T16:06:25Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。