論文の概要: An Adversarial Domain Separation Framework for Septic Shock Early
Prediction Across EHR Systems
- arxiv url: http://arxiv.org/abs/2010.13952v1
- Date: Mon, 26 Oct 2020 23:41:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 17:46:17.041038
- Title: An Adversarial Domain Separation Framework for Septic Shock Early
Prediction Across EHR Systems
- Title（参考訳）: EHRシステム全体での懐疑的衝撃早期予測のための対向領域分離フレームワーク
- Authors: Farzaneh Khoshnevisan and Min Chi
- Abstract要約: 本稿では,異なる医療システムから収集したEHRの2つのカテゴリの相違に対処する汎用ドメイン適応(DA)フレームワークを提案する。
本研究は,米国における異なる医療システムから得られた2つの現実的 EHR を用いて,極めて困難な症状である敗血症性ショックの早期診断のための枠組みを評価する。
- 参考スコア（独自算出の注目度）: 7.058760708627898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling patient disease progression using Electronic Health Records (EHRs)
is critical to assist clinical decision making. While most of prior work has
mainly focused on developing effective disease progression models using EHRs
collected from an individual medical system, relatively little work has
investigated building robust yet generalizable diagnosis models across
different systems. In this work, we propose a general domain adaptation (DA)
framework that tackles two categories of discrepancies in EHRs collected from
different medical systems: one is caused by heterogeneous patient populations
(covariate shift) and the other is caused by variations in data collection
procedures (systematic bias). Prior research in DA has mainly focused on
addressing covariate shift but not systematic bias. In this work, we propose an
adversarial domain separation framework that addresses both categories of
discrepancies by maintaining one globally-shared invariant latent
representation across all systems} through an adversarial learning process,
while also allocating a domain-specific model for each system to extract local
latent representations that cannot and should not be unified across systems.
Moreover, our proposed framework is based on variational recurrent neural
network (VRNN) because of its ability to capture complex temporal dependencies
and handling missing values in time-series data. We evaluate our framework for
early diagnosis of an extremely challenging condition, septic shock, using two
real-world EHRs from distinct medical systems in the U.S. The results show that
by separating globally-shared from domain-specific representations, our
framework significantly improves septic shock early prediction performance in
both EHRs and outperforms the current state-of-the-art DA models.
- Abstract（参考訳）: EHR(Electronic Health Records)を用いた患者の疾患進行のモデル化は臨床的意思決定を支援するために重要である。
先行研究の大部分は、個々の医療システムから収集したERHを用いた効果的な疾患進行モデルの開発に重点を置いているが、比較的少ない研究で、様々なシステムにまたがる堅牢で汎用的な診断モデルの構築が研究されている。
本研究では,異種患者集団(共変量シフト)とデータ収集手順(システムバイアス)のばらつきを原因として,異なる医療システムから収集したEHRの2つのカテゴリの相違に対処する汎用ドメイン適応(DA)フレームワークを提案する。
DAにおける以前の研究は、主に共変量シフトに対処するが、体系的なバイアスには対処しない。
本研究は,逆学習プロセスを通じてグローバルに共有される不変な潜在表現を1つ保持し,またシステム間で統一できない局所的潜在表現を抽出するために,各システムに対してドメイン固有モデルを割り当てることによって,両カテゴリの差異に対処する,逆ドメイン分離フレームワークを提案する。
さらに,複雑な時間的依存関係を捕捉し,時系列データに欠落した値を処理できることから,変動リカレントニューラルネットワーク(VRNN)をベースとしたフレームワークを提案する。
本研究は,米国における異なる医療システムから得られた2つの現実的 EHR を用いて,極めて困難な症状である敗血症性ショックの早期診断のための枠組みを評価する。
その結果, ドメイン固有表現からグローバルシェアドを分離することにより, 両EHRの懐疑的ショック早期予測性能を著しく向上し, 最先端DAモデルより優れていることがわかった。
関連論文リスト
- Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。
提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
論文 参考訳（メタデータ） (2024-11-10T15:54:09Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - DGM-DR: Domain Generalization with Mutual Information Regularized
Diabetic Retinopathy Classification [40.35834579068518]
トレーニングとテストデータのドメインシフトは、一般的なディープラーニングモデルをトレーニングする上で大きな課題となる。
医用画像領域に事前訓練されたモデルとしてモデル目的関数を再確立するDG法を提案する。
提案手法は,従来の最先端技術よりも平均精度5.25%,標準偏差が低い。
論文 参考訳（メタデータ） (2023-09-18T11:17:13Z) - CF-GODE: Continuous-Time Causal Inference for Multi-Agent Dynamical
Systems [29.358010668392208]
マルチエージェント力学系における実測結果の予測方法について検討する。
時間的因果推論に関する既存の研究は、単位が互いに独立であるという仮定に依存している。
本稿では,因果モデルであるCounterFactual GraphODEを提案する。
論文 参考訳（メタデータ） (2023-06-20T00:50:09Z) - A Two-stream Convolutional Network for Musculoskeletal and Neurological
Disorders Prediction [14.003588854239544]
筋骨格障害や神経疾患は高齢者の歩行障害の最も一般的な原因である。
近年のディープラーニングに基づく手法は、自動分析に有望な結果を示している。
論文 参考訳（メタデータ） (2022-08-18T14:32:16Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳（メタデータ） (2021-06-05T11:42:45Z) - 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) - 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) - 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。