論文の概要: Bayesian Nonparametric Dimensionality Reduction of Categorical Data for Predicting Severity of COVID-19 in Pregnant Women

• arxiv url: http://arxiv.org/abs/2011.03715v2
• Date: Mon, 27 Sep 2021 15:58:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 22:51:48.400299
• Title: Bayesian Nonparametric Dimensionality Reduction of Categorical Data for Predicting Severity of COVID-19 in Pregnant Women
• Title（参考訳）: 妊婦の重症度予測のためのカテゴリーデータのベイズ非パラメトリック次元化
• Authors: Marzieh Ajirak, Cassandra Heiselman, Anna Fuchs, Mia Heiligenstein, Kimberly Herrera, Diana Garretto, Petar Djuric
• Abstract要約: ストーニーブルック大学病院で検査陽性の妊婦155名の臨床データを収集した。 我々は、教師なしベイズフレームワーク内のデータをモデル化し、潜在ガウス過程を用いてそれらを低次元空間にマッピングした。
• 参考スコア（独自算出の注目度）: 10.049066785762045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The coronavirus disease (COVID-19) has rapidly spread throughout the world and while pregnant women present the same adverse outcome rates, they are underrepresented in clinical research. We collected clinical data of 155 test-positive COVID-19 pregnant women at Stony Brook University Hospital. Many of these collected data are of multivariate categorical type, where the number of possible outcomes grows exponentially as the dimension of data increases. We modeled the data within the unsupervised Bayesian framework and mapped them into a lower-dimensional space using latent Gaussian processes. The latent features in the lower dimensional space were further used for predicting if a pregnant woman would be admitted to a hospital due to COVID-19 or would remain with mild symptoms. We compared the prediction accuracy with the dummy/one-hot encoding of categorical data and found that the latent Gaussian process had better accuracy.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)は世界中で急速に広まり、妊婦が同じ副作用率を示す一方で、臨床研究では過小評価されている。 ストーニーブルック大学病院で155人の検査陽性妊婦の臨床データを収集した。 収集されたデータの多くは多変量分類型であり、データ次元が大きくなるにつれて可能な結果の数は指数関数的に増加する。 教師なしベイズフレームワーク内のデータをモデル化し,潜在ガウス過程を用いて低次元空間にマッピングした。 低次元空間の潜伏した特徴は、妊娠中の女性が新型コロナウイルスにより入院するか、軽度の症状が残るかを予測するためにさらに使用された。 予測精度を分類データのダミー/ワンホット符号化と比較し, 潜在ガウス過程の方が精度が高かった。

関連論文リスト

• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Deep Learning Prediction of Severe Health Risks for Pediatric COVID-19 Patients with a Large Feature Set in 2021 BARDA Data Challenge [0.0]
  新型コロナウイルスの感染が子どもに、正確かつタイムリーな医療を提供するためにもたらす深刻な健康リスクを予測することは重要である。 本研究は、新型コロナウイルス患者のさまざまな医療状況と測定値を表すために、新しい大規模単語袋のような手法を設計する。 論理的回帰に基づく簡易な特徴フィルタリングの後、深層学習法を用いて、新型コロナウイルス感染児の入院リスクと、入院した小児の合併症リスクの両方を予測する。
  論文  参考訳（メタデータ） (2022-06-03T17:14:53Z)
• Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep Learning Model For The Accurate Caliper Placement To Obtain Sonographic Measurements Of The Fetal Brain [0.0]
  経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。 U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。 いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
  論文  参考訳（メタデータ） (2022-03-28T04:00:22Z)
• Pseudo-domains in imaging data improve prediction of future disease status in multi-center studies [57.712855968194305]
  本研究では,多数の異なるスキャンサイトと,各サイト毎のサンプル数に対処可能な予測手法を提案する。 以上の結果より,初診後48週,12週間の肝疾患経過観察の結果から,聴力低下の予測精度が向上した。
  論文  参考訳（メタデータ） (2021-11-15T09:40:54Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images [0.0]
  CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。 提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
  論文  参考訳（メタデータ） (2020-04-10T07:46:07Z)
• DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray Images [1.6855835471222005]
  我々は、CXR画像から新型コロナウイルスの症状を自動的に検出するための説明可能なディープニューラルネットワーク(DNN)に基づく手法を提案する。 15,854例のCXR画像15,959例を使用し,正常例,肺炎例,COVID-19例を対象とした。 当社のアプローチでは、新型コロナウイルスを確実に91.6%、92.45%、96.12%の正の予測値(PPV)で識別することができる。
  論文  参考訳（メタデータ） (2020-04-09T15:03:58Z)

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。