論文の概要: Point Process Modeling of Drug Overdoses with Heterogeneous and Missing Data

• arxiv url: http://arxiv.org/abs/2010.06080v1
• Date: Mon, 12 Oct 2020 23:47:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 06:34:06.880995
• Title: Point Process Modeling of Drug Overdoses with Heterogeneous and Missing Data
• Title（参考訳）: 不均一および欠失データを用いた薬物過剰のポイントプロセスモデリング
• Authors: Xueying Liu, Jeremy Carter, Brad Ray and George Mohler
• Abstract要約: 米国では過去10年間でオピオイド過剰摂取率が増加しており、公衆衛生の危機を反映している。 薬物過剰クラスタリングのための時空間プロセスモデルを提案する。 薬物とオピオイドの過剰摂取死は、分枝比が.72から.98の範囲で顕著な興奮を示す。
• 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: Opioid overdose rates have increased in the United States over the past decade and reflect a major public health crisis. Modeling and prediction of drug and opioid hotspots, where a high percentage of events fall in a small percentage of space-time, could help better focus limited social and health services. In this work we present a spatial-temporal point process model for drug overdose clustering. The data input into the model comes from two heterogeneous sources: 1) high volume emergency medical calls for service (EMS) records containing location and time, but no information on the type of non-fatal overdose and 2) fatal overdose toxicology reports from the coroner containing location and high-dimensional information from the toxicology screen on the drugs present at the time of death. We first use non-negative matrix factorization to cluster toxicology reports into drug overdose categories and we then develop an EM algorithm for integrating the two heterogeneous data sets, where the mark corresponding to overdose category is inferred for the EMS data and the high volume EMS data is used to more accurately predict drug overdose death hotspots. We apply the algorithm to drug overdose data from Indianapolis, showing that the point process defined on the integrated data outperforms point processes that use only homogeneous EMS (AUC improvement .72 to .8) or coroner data (AUC improvement .81 to .85).We also investigate the extent to which overdoses are contagious, as a function of the type of overdose, while controlling for exogenous fluctuations in the background rate that might also contribute to clustering. We find that drug and opioid overdose deaths exhibit significant excitation, with branching ratio ranging from .72 to .98.
• Abstract（参考訳）: オピオイドの過剰摂取率は過去10年間で米国で増加し、主要な公衆衛生危機を反映している。 薬物やオピオイドのホットスポットのモデル化と予測は、時空のわずかな割合で発生する事象の割合が高く、社会的および健康的なサービスにより良い焦点を合わせるのに役立つ。 本研究では,薬物過剰クラスタリングのための時空間プロセスモデルを提案する。 モデルへのデータ入力は、2つの異種ソースから来ます。 1) 場所と時刻を記載したEMS(High volume emergency medical call for Service)の記録には、非致命的な過剰摂取の種類や情報はない。 2) 致死的な過剰摂取毒性は, 死亡時に存在する薬物について, 位置および高次元情報を含む検死器から報告される。 まず,非負のマトリックス因子分解を用いて薬物過剰摂取カテゴリに分類し,emsデータに対して過剰摂取カテゴリに対応するマークを推定し,高量emsデータを用いて薬物過剰摂取死亡ホットスポットをより正確に予測する2つの不均一データセットを統合するemアルゴリズムを開発した。 このアルゴリズムをインディアナポリスの薬物過剰データに適用し、同種EMS(AUC Improvement .72 to .8)またはコロナデータ(AUC Improvement .81 to .85)のみを使用する点プロセスよりも優れていることを示す。 また, オーバードーズがどの程度感染しているか, オーバードーズの種類の機能として検討し, また, クラスター化に寄与する可能性のある背景因子の変動を制御した。 薬物とオピオイドの過剰摂取による死亡は有意な興奮を示し、分岐比は .72 から .98 である。

関連論文リスト

• GramSeq-DTA: A grammar-based drug-target affinity prediction approach fusing gene expression information [1.2289361708127877]
  薬物や標的の構造情報と化学摂動情報を統合するGramSeq-DTAを提案する。 我々の手法は、広く使われているDTAデータセットで検証された場合、現在の最先端のDTA予測モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-11-03T03:17:09Z)
• Forecasting Opioid Incidents for Rapid Actionable Data for Opioid Response in Kentucky [0.0]
  我々は、ケンタッキー州の救急医療機関(EMS)が記録した未来のオピオイド過剰摂取事故の数を正確に予測する機械学習と時系列予測の分野における取り組みについて述べる。 提案手法は, EMSオピオイド過剰摂取の地域レベルと地域レベルアグリゲーションを用いて, 毎月の日数予測を行う。
  論文  参考訳（メタデータ） (2024-10-21T20:45:13Z)
• drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
  drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。 drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。 本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
  論文  参考訳（メタデータ） (2024-05-14T22:16:52Z)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• Drug Interaction Vectors Neural Network: DrIVeNN [0.7624669864625037]
  ポリファーマシー(英: Poly Pharmacy)とは、複数の薬物を同時に併用して単一の疾患を治療することである。 ポリファーマシーに関連する多くの重篤なADEは、薬物の使用後にのみ知られるようになる。 臨床試験において、あらゆる可能な薬物の組み合わせをテストすることは不可能である。
  論文  参考訳（メタデータ） (2023-08-26T14:24:41Z)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
  薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出 本稿では,DDI検出のための2段階関節モデルを提案する。 シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
  論文  参考訳（メタデータ） (2020-08-28T15:30:08Z)
• Hybrid Attentional Memory Network for Computational drug repositioning [0.0]
  コールドスタート問題は、常に計算薬物再配置の分野で大きな課題であった。 本稿では,CFモデルの2つのクラスを非線形に結合した階層型アーキテクチャであるHAMNモデルを提案する。 提案するHAMNモデルは、AUC, AUPR, HR指標により、他の比較モデルよりも優れている。
  論文  参考訳（メタデータ） (2020-06-12T02:12:32Z)

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。