論文の概要: Deep Representation for Connected Health: Semi-supervised Learning for
Analysing the Risk of Urinary Tract Infections in People with Dementia
- arxiv url: http://arxiv.org/abs/2011.13916v4
- Date: Wed, 28 Apr 2021 16:23:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 02:40:56.429909
- Title: Deep Representation for Connected Health: Semi-supervised Learning for
Analysing the Risk of Urinary Tract Infections in People with Dementia
- Title(参考訳): コネクテッドヘルスの深層表現--認知症患者における尿路感染症のリスク分析のための半教師付き学習
- Authors: Honglin Li, Magdalena Anita Kolanko, Shirin Enshaeifar, Severin
Skillman, Andreas Markides, Mark Kenny, Eyal Soreq, Samaneh Kouchaki, Kirsten
Jensen, Loren Cameron, Michael Crone, Paul Freemont, Helen Rostill, David J.
Sharp, Ramin Nilforooshan, Payam Barnaghi
- Abstract要約: 本研究は,家庭内観測・測定データから学習可能な半教師付きモデルを提案する。
認知症における尿路感染症(UTIs)のリスクを解析するために,我々のモデルが高度に不均衡な動的データを処理し,堅牢な予測を行う方法を示す。
- 参考スコア(独自算出の注目度): 2.66008303934728
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning techniques combined with in-home monitoring technologies
provide a unique opportunity to automate diagnosis and early detection of
adverse health conditions in long-term conditions such as dementia. However,
accessing sufficient labelled training samples and integrating high-quality,
routinely collected data from heterogeneous in-home monitoring technologies are
main obstacles hindered utilising these technologies in real-world medicine.
This work presents a semi-supervised model that can continuously learn from
routinely collected in-home observation and measurement data. We show how our
model can process highly imbalanced and dynamic data to make robust predictions
in analysing the risk of Urinary Tract Infections (UTIs) in dementia. UTIs are
common in older adults and constitute one of the main causes of avoidable
hospital admissions in people with dementia (PwD). Health-related conditions,
such as UTI, have a lower prevalence in individuals, which classifies them as
sporadic cases (i.e. rare or scattered, yet important events). This limits the
access to sufficient training data, without which the supervised learning
models risk becoming overfitted or biased. We introduce a probabilistic
semi-supervised learning framework to address these issues. The proposed method
produces a risk analysis score for UTIs using routinely collected data by
in-home sensing technologies.
- Abstract(参考訳): 機械学習技術と家庭内モニタリング技術が組み合わさって、認知症などの長期的疾患の診断と早期発見を自動化するユニークな機会を提供する。
しかし、十分なラベル付きトレーニングサンプルにアクセスし、異質な家庭内モニタリング技術から日常的に収集される高品質なデータを統合することは、これらの技術を現実世界の医療に活用することを妨げる主要な障害である。
本研究は,家庭内観測測定データから連続的に学習できる半教師付きモデルを提案する。
認知症における尿路感染症(UTIs)のリスクを解析するために,我々のモデルが高度に不均衡な動的データを処理し,堅牢な予測を行う方法を示す。
高齢者ではUTIが一般的であり、認知症(PwD)の予防可能な入院の主な原因の1つである。
UTIのような健康関連疾患は、個人の頻度が低く、散発的なケース(稀に散在するが重要な出来事)に分類される。
これにより十分なトレーニングデータへのアクセスが制限され、教師あり学習モデルが過度に適合するか偏るリスクを伴わない。
これらの問題に対処するための確率的半教師付き学習フレームワークを導入する。
提案手法は, 家庭内センサ技術を用いて, 定期的に収集したデータを用いて, UTIのリスク分析スコアを生成する。
関連論文リスト
- 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) - Contrastive Learning-based Imputation-Prediction Networks for
In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。
本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。
2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-08-19T03:24:34Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal
Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。
我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。
本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文 参考訳(メタデータ) (2021-06-09T00:42:44Z) - An attention model to analyse the risk of agitation and urinary tract
infections in people with dementia [0.3392372796177108]
行動症状と尿路感染症(uti)は認知症患者が直面する最も一般的な問題である。
センサーデータの統合と分析に家庭内センシング技術と機械学習モデルを使用することで、臨床的に重要な出来事や健康状態の変化を検出し予測する機会が得られる。
我々は,家庭内センサデータを収集する統合プラットフォームを開発し,機械学習モデルを扇動およびUTIリスク分析に適用するための観察的研究を行った。
論文 参考訳(メタデータ) (2021-01-18T11:15:15Z) - 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) - DeepSOCIAL: Social Distancing Monitoring and Infection Risk Assessment
in COVID-19 Pandemic [1.027974860479791]
世界保健機関(WHO)は、公衆の場での新型コロナウイルスの感染拡大を最小限に抑えるため、ソーシャルディスタンシング(Social Distancing)を推奨している。
コンピュータビジョンとYOLOv4ベースのDeep Neural Networkモデルを開発した。
開発されたモデルは汎用的で正確な人物検出・追跡ソリューションであり、他の多くの分野に適用できる。
論文 参考訳(メタデータ) (2020-08-26T16:56:57Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z) - Predicting Injectable Medication Adherence via a Smart Sharps Bin and
Machine Learning [0.9869634509510016]
当科では,次の予定薬の時間帯に薬剤を服用することに関して,患者の行動に関する予測を行う。
私たちはこれを、多くの機械学習モデルを活用することで実現しています。
提案した機械学習手法は、受信器動作特性曲線(ROC AUC)0.86の領域を示す非常に優れた予測性能を示した。
論文 参考訳(メタデータ) (2020-04-02T17:16:51Z)
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。