論文の概要: Predicting cardiovascular risk from national administrative databases
using a combined survival analysis and deep learning approach
- arxiv url: http://arxiv.org/abs/2011.14032v1
- Date: Sat, 28 Nov 2020 00:10:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 19:11:05.333431
- Title: Predicting cardiovascular risk from national administrative databases
using a combined survival analysis and deep learning approach
- Title（参考訳）: 生存率分析と深層学習の併用による国立行政データベースからの心血管リスクの予測
- Authors: Sebastiano Barbieri, Suneela Mehta, Billy Wu, Chrianna Bharat, Katrina
Poppe, Louisa Jorm, Rod Jackson
- Abstract要約: 本研究では,従来のコックス比例ハザードモデル(CPH)を用いた生存分析モデルのディープラーニング拡張性能の比較を行った。
深層学習モデルは、説明された時間対イベントの発生率に基づいてCPHモデルよりも有意に優れていた。
深層学習モデルは、解釈可能なCVDリスク予測方程式を導出するために、大規模な健康管理データベースに適用することができる。
- 参考スコア（独自算出の注目度）: 0.3463527836552467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AIMS. This study compared the performance of deep learning extensions of
survival analysis models with traditional Cox proportional hazards (CPH) models
for deriving cardiovascular disease (CVD) risk prediction equations in national
health administrative datasets. METHODS. Using individual person linkage of
multiple administrative datasets, we constructed a cohort of all New Zealand
residents aged 30-74 years who interacted with publicly funded health services
during 2012, and identified hospitalisations and deaths from CVD over five
years of follow-up. After excluding people with prior CVD or heart failure,
sex-specific deep learning and CPH models were developed to estimate the risk
of fatal or non-fatal CVD events within five years. The proportion of explained
time-to-event occurrence, calibration, and discrimination were compared between
models across the whole study population and in specific risk groups. FINDINGS.
First CVD events occurred in 61,927 of 2,164,872 people. Among diagnoses and
procedures, the largest 'local' hazard ratios were associated by the deep
learning models with tobacco use in women (2.04, 95%CI: 1.99-2.10) and with
chronic obstructive pulmonary disease with acute lower respiratory infection in
men (1.56, 95%CI: 1.50-1.62). Other identified predictors (e.g. hypertension,
chest pain, diabetes) aligned with current knowledge about CVD risk predictors.
The deep learning models significantly outperformed the CPH models on the basis
of proportion of explained time-to-event occurrence (Royston and Sauerbrei's
R-squared: 0.468 vs. 0.425 in women and 0.383 vs. 0.348 in men), calibration,
and discrimination (all p<0.0001). INTERPRETATION. Deep learning extensions of
survival analysis models can be applied to large health administrative
databases to derive interpretable CVD risk prediction equations that are more
accurate than traditional CPH models.
- Abstract（参考訳）: AIMS
本研究は,国立健康管理データセットにおける循環器疾患(cvd)リスク予測方程式を導出する従来のcox proportional hazards(cph)モデルと,生存分析モデルのディープラーニング拡張の性能を比較した。
メソッド。
複数の管理データセットの個人リンクを用いて、2012年に公的資金提供された医療サービスと対話した30～74歳のニュージーランド人住民のコホートを構築し、5年間にわたるCVDの入院と死亡を確認した。
過去のCVDや心不全を除いた後、性特化深層学習モデルとCPHモデルは、5年以内に致命的または非致命的なCVD事象のリスクを見積もるために開発された。
研究全体のモデルと特定のリスクグループ間で,説明された事象発生・校正・識別の比率を比較検討した。
FINDINGS
最初のCVDは2,164,872人の61,927人であった。
診断・治療では,女性におけるタバコ使用の深層学習モデル (2.04, 95%CI: 1.99-2.10) と男性における急性下気感染症の慢性閉塞性肺疾患 (1.56, 95%CI: 1.50-1.62) が最大の「局所的」ハザード比となった。
他の特定された予測因子(高血圧、胸痛、糖尿病など)は、CVDリスク予測因子に関する現在の知識と一致している。
深層学習モデルは、説明時間と事象の比率(ロイストンとソーバーレイのR-squared:女性0.468対0.425、男性0.383対0.348)、キャリブレーション、差別(すべてp<0.0001)に基づいてCPHモデルよりも有意に優れていた。
解釈。
生存分析モデルの深層学習拡張は、従来のCPHモデルよりも正確である解釈可能なCVDリスク予測方程式を導出するために、大規模な健康管理データベースに適用することができる。
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) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - At-Admission Prediction of Mortality and Pulmonary Embolism in COVID-19
Patients Using Statistical and Machine Learning Methods: An International
Cohort Study [0.0]
新型コロナウイルス患者の肺塞栓症予測ツールの開発は極めて重要である。
本稿では,PEの発生と入場時の死亡を予測する機械学習モデルを提案する。
論文 参考訳（メタデータ） (2023-05-18T14:55:27Z) - A hybrid CNN-RNN approach for survival analysis in a Lung Cancer
Screening study [17.26942882598847]
肺がん検診におけるCNN-RNNの長期生存について検討した。
モデルは心血管障害および呼吸不全の患者で訓練された。
Coxニューラルネットワークは、内部データセットで0.75、外部データセットで0.69のIPCW Cインデックスを達成することができる。
論文 参考訳（メタデータ） (2023-03-19T23:00:41Z) - Predicting adverse outcomes following catheter ablation treatment for
atrial fibrillation [2.202746751854349]
AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。
伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
論文 参考訳（メタデータ） (2022-11-22T02:55:51Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Development of an accessible 10-year Digital CArdioVAscular (DiCAVA)
risk assessment: a UK Biobank study [0.46180371154032895]
目標は、統計的および機械学習技術を使用して新しいリスクモデル(DiCAVA)を開発することであった。
第二の目標は、CVDリスクアセスメントに組み込むことができる新しい患者中心変数を特定することでした。
論文 参考訳（メタデータ） (2021-04-20T16:01:50Z) - An explainable Transformer-based deep learning model for the prediction
of incident heart failure [22.513476932615845]
100,071例の心不全予後予測のための新しいTransformerディープラーニングモデルを開発した。
このモデルは、レシーバーオペレーター曲線で 0.93 と 0.93 の領域、精度-リコール曲線で 0.69 と 0.70 の領域を達成した。
文脈化医療情報の重要さは感度分析において明らかにされた。
論文 参考訳（メタデータ） (2021-01-27T12:45:15Z) - 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) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。