論文の概要: Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease

• arxiv url: http://arxiv.org/abs/2011.08356v1
• Date: Tue, 17 Nov 2020 01:18:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 15:55:26.796835
• Title: Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease
• Title（参考訳）: 慢性複雑な疾患に苦しむ患者軌跡の表現型分類群
• Authors: Henrique Aguiar, Mauro Santos, Peter Watkinson, Tingting Zhu
• Abstract要約: 当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。 本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
• 参考スコア（独自算出の注目度）: 3.1564542805009332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have seen an increased focus into the tasks of predicting hospital inpatient risk of deterioration and trajectory evolution due to the availability of electronic patient data. A common approach to these problems involves clustering patients time-series information such as vital sign observations) to determine dissimilar subgroups of the patient population. Most clustering methods assume time-invariance of vital-signs and are unable to provide interpretability in clusters that is clinically relevant, for instance, event or outcome information. In this work, we evaluate three different clustering models on a large hospital dataset of vital-sign observations from patients suffering from Chronic Obstructive Pulmonary Disease. We further propose novel modifications to deal with unevenly sampled time-series data and unbalanced class distribution to improve phenotype separation. Lastly, we discuss further avenues of investigation for models to learn patient subgroups with distinct behaviour and phenotype.
• Abstract（参考訳）: 近年, 電子的患者データの利用により, 院内感染リスクの予測やトラジェクタの発達の予測に注目が集まっている。 これらの問題に対する一般的なアプローチは、患者集団の異なるサブグループを決定するために、バイタルサイン観察などの時系列情報をクラスタリングすることである。 ほとんどのクラスタリング手法は、バイタルサインの時間的不変性を前提としており、例えば事象や結果の情報など、臨床的に関係のあるクラスタでは解釈できない。 本研究では,慢性閉塞性肺疾患患者からのバイタルサイン観察を大規模病院データセットで行った3種類のクラスタリングモデルについて検討した。 さらに,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正を提案する。 最後に、異なる行動と表現型を持つ患者サブグループを学習するモデルについて、さらなる研究の道程について論じる。

関連論文リスト

• 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)
• Comparative study of clustering models for multivariate time series from connected medical devices [0.0]
  予測モデルを用いて、潜在クラスタ空間を形成しながら、将来の値を予測できることが示される。 Withingのデータセット上で、時系列全体をクラスタリングするMAGMAC LUSTと、個人のグループアフィリエイトが時間とともに変化するDGM$2$の2つのモデルを比較する。
  論文  参考訳（メタデータ） (2023-12-28T07:37:30Z)
• Pain Forecasting using Self-supervised Learning and Patient Phenotyping: An attempt to prevent Opioid Addiction [0.3749861135832073]
  シックル細胞病(Sickle Cell Disease)を治療するためには、将来の患者の痛みの軌跡を予測することが不可欠である。 主に患者の自己申告によって記録されるので,多くの痛み記録を入手して予測モデルを設計することは困難である。 本稿では、時系列データをクラスタリングするための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-09T18:31:50Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Longitudinal patient stratification of electronic health records with flexible adjustment for clinical outcomes [0.7874708385247353]
  我々は、再構成、結果、クラスタリング損失を用いて、ERHデータをクラスタリングするリカレントニューラルネットワークオートエンコーダを開発する。 糖尿病患者29,229ドルの患者を対象に,異なる軌跡と異なる結果の患者集団のモデル性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T11:21:39Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Towards Patient Record Summarization Through Joint Phenotype Learning in HIV Patients [1.598617270887469]
  本研究では、構造化データと非構造化データにまたがる多数の表現型/プロブレムを共同で学習する、教師なし表現型化手法を提案する。 我々は,大都市医療施設のHIVクリニックから患者を表現型化する実験を行った。 臨床専門家による評価では,学習した表現型とその関連性は臨床的に有効であることが判明した。
  論文  参考訳（メタデータ） (2020-03-09T15:41:58Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。