論文の概要: A novel method for Causal Structure Discovery from EHR data, a
demonstration on type-2 diabetes mellitus
- arxiv url: http://arxiv.org/abs/2011.05489v1
- Date: Wed, 11 Nov 2020 00:50:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 00:24:32.441106
- Title: A novel method for Causal Structure Discovery from EHR data, a
demonstration on type-2 diabetes mellitus
- Title（参考訳）: EHRデータによる新しい因果構造探索法 : 2型糖尿病の実証
- Authors: Xinpeng Shen, Sisi Ma, Prashanthi Vemuri, M. Regina Castro, Pedro J.
Caraballo, Gyorgy J. Simon
- Abstract要約: 本稿では,新しいデータ変換手法と新しい因果構造探索アルゴリズムを提案する。
提案手法を2型糖尿病に適用した。
- 参考スコア（独自算出の注目度）: 3.8171820752218997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Introduction: The discovery of causal mechanisms underlying diseases enables
better diagnosis, prognosis and treatment selection. Clinical trials have been
the gold standard for determining causality, but they are resource intensive,
sometimes infeasible or unethical. Electronic Health Records (EHR) contain a
wealth of real-world data that holds promise for the discovery of disease
mechanisms, yet the existing causal structure discovery (CSD) methods fall
short on leveraging them due to the special characteristics of the EHR data. We
propose a new data transformation method and a novel CSD algorithm to overcome
the challenges posed by these characteristics. Materials and methods: We
demonstrated the proposed methods on an application to type-2 diabetes
mellitus. We used a large EHR data set from Mayo Clinic to internally evaluate
the proposed transformation and CSD methods and used another large data set
from an independent health system, Fairview Health Services, as external
validation. We compared the performance of our proposed method to Fast Greedy
Equivalence Search (FGES), a state-of-the-art CSD method in terms of
correctness, stability and completeness. We tested the generalizability of the
proposed algorithm through external validation. Results and conclusions: The
proposed method improved over the existing methods by successfully
incorporating study design considerations, was robust in face of unreliable EHR
timestamps and inferred causal effect directions more correctly and reliably.
The proposed data transformation successfully improved the clinical correctness
of the discovered graph and the consistency of edge orientation across
bootstrap samples. It resulted in superior accuracy, stability, and
completeness.
- Abstract（参考訳）: 導入:基礎疾患の因果メカニズムの発見は、より良い診断、予後、治療選択を可能にする。
臨床試験は因果関係を決定するための金の基準であったが、それらは資源集約的であり、時には実現不可能あるいは非倫理的である。
電子健康記録(EHR)は、病気のメカニズムの発見を約束する豊富な実世界のデータを含んでいるが、既存の因果構造発見(CSD)手法は、EHRデータの特別な特徴のためにそれらを活用することに不足している。
これらの特徴がもたらす課題を克服するために,新しいデータ変換手法と新しいCSDアルゴリズムを提案する。
材料と方法:2型糖尿病への応用について,提案手法を実証した。
提案する変換法とcsd法を内部的に評価するために,mayo clinicの大規模なehrデータセットを使用し,外部検証としてfairview health servicesという独立した医療システムからの別の大規模データセットを用いた。
提案手法の性能を, 精度, 安定性, 完全性の観点から, 最先端csd法であるfast greedy equivalence search (fges) と比較した。
提案アルゴリズムの一般化性を外部検証により検証した。
結果と結論: 提案手法は, 研究設計の考察をうまく取り入れ, 信頼性の低いEHRタイムスタンプに面して頑健であり, 因果効果の方向をより正確かつ確実に推定できた。
提案したデータ変換により,検出したグラフの臨床的正しさとブートストラップ試料間のエッジ配向の整合性が向上した。
その結果、精度、安定性、完全性が向上した。
関連論文リスト
- A Knowledge-Enhanced Disease Diagnosis Method Based on Prompt Learning and BERT Integration [0.0]
本稿では,素早い学習枠組みに基づく知識強調型疾患診断手法を提案する。
本手法は、臨床症例に関連する外部知識グラフから構造化知識を検索し、それをエンコードし、プロンプトテンプレートに注入することで、言語モデルのタスクに対する理解と推論能力を高める。
論文 参考訳（メタデータ） (2024-09-16T15:34:58Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - EndoOOD: Uncertainty-aware Out-of-distribution Detection in Capsule
Endoscopy Diagnosis [11.82953216903558]
ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は、消化管(GI)の可視化を可能にする非侵襲的診断法である。
深層学習に基づく手法は、WCEデータを用いた疾患スクリーニングの有効性を示した。
既存のカプセル内視鏡分類法は、主に事前に定義されたカテゴリーに依存している。
論文 参考訳（メタデータ） (2024-02-18T06:54:51Z) - 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) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - ANOVA-based Automatic Attribute Selection and a Predictive Model for
Heart Disease Prognosis [8.258177970935085]
本研究では,分散分析(ANOVA)とドメインエキスパートの知識を融合した情報融合手法を提案する。
提案手法は、平均平均精度99.2%、平均平均AUC97.9%を達成することができる。
論文 参考訳（メタデータ） (2022-07-30T19:29:18Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-07-28T07:19:00Z) - Curvature-based Feature Selection with Application in Classifying
Electronic Health Records [13.427883408828642]
より正確な診断を支援するための効率的な曲率に基づく特徴選択法を提案する。
4つのベンチマークヘルスケアデータセットで最新のパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-01-10T16:55:40Z) - COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital
Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。
1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文 参考訳（メタデータ） (2020-10-30T00:47:01Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。