Fugu-MT 論文翻訳(概要): Modeling Disease Progression Trajectories from Longitudinal Observational Data

論文の概要: Modeling Disease Progression Trajectories from Longitudinal Observational Data

arxiv url: http://arxiv.org/abs/2012.05324v1
Date: Wed, 9 Dec 2020 21:24:15 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 01:57:26.626320
Title: Modeling Disease Progression Trajectories from Longitudinal Observational Data
Title（参考訳）: 縦断観測データによる疾患進行軌跡のモデル化
Authors: Bum Chul Kwon, Peter Achenbach, Jessica L. Dunne, William Hagopian, Markus Lundgren, Kenney Ng, Riitta Veijola, Brigitte I. Frohnert, Vibha Anand, the T1DI Study Group
Abstract要約: 隠れマルコフモデル (HMM) を用いて疾患進行パターンを学習し, 可視化手法を用いて異なる軌跡に抽出する。 T1DI研究グループの大型縦方向観測データを用いて、1型糖尿病(T1D)の領域に適用します。
参考スコア（独自算出の注目度）: 5.772367855969479
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Analyzing disease progression patterns can provide useful insights into the disease processes of many chronic conditions. These analyses may help inform recruitment for prevention trials or the development and personalization of treatments for those affected. We learn disease progression patterns using Hidden Markov Models (HMM) and distill them into distinct trajectories using visualization methods. We apply it to the domain of Type 1 Diabetes (T1D) using large longitudinal observational data from the T1DI study group. Our method discovers distinct disease progression trajectories that corroborate with recently published findings. In this paper, we describe the iterative process of developing the model. These methods may also be applied to other chronic conditions that evolve over time.
Abstract（参考訳）: 疾患進行パターンの分析は、多くの慢性疾患の進行過程に有用な洞察を与えることができる。これらの分析は、予防治験のための採用や、被災者に対する治療の開発とパーソナライズに役立てることができる。隠れマルコフモデル(HMM)を用いて疾患進行パターンを学習し,可視化手法を用いて異なる軌跡に抽出する。本研究はT1DI研究グループによる縦断観察データを用いて1型糖尿病(T1D)の領域に適用した。本手法は,最近報告された所見と相関する疾患進行軌跡を同定する。本稿では,モデル開発における反復的プロセスについて述べる。これらの方法は、時間とともに進化する他の慢性疾患にも適用できる。

関連論文リスト

HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
論文参考訳（メタデータ） (2024-12-15T06:04:16Z)
Time-dependent Probabilistic Generative Models for Disease Progression [0.0]
医療イベント間の不規則な時間間隔をモデル化するためのマルコフ的治療生成モデルを提案する。予測最大化アルゴリズムを用いてモデルを学習し,動的プログラミング法を用いて効率よく解法する。
論文参考訳（メタデータ） (2023-11-15T21:00:00Z)
Modeling Complex Disease Trajectories using Deep Generative Models with Semi-Supervised Latent Processes [0.04818215922729969]
我々は、確立された医療概念を用いて、潜伏空間を遠ざけるための半教師付きアプローチを開発する。学習した時間潜伏過程を,さらなるデータ分析と臨床仮説テストに活用できることが示唆された。
論文参考訳（メタデータ） (2023-11-14T13:25:41Z)
Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-06-02T01:46:31Z)
Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文参考訳（メタデータ） (2022-11-18T03:26:31Z)
Learning Spatio-Temporal Model of Disease Progression with NeuralODEs from Longitudinal Volumetric Data [4.998875488622879]
我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
論文参考訳（メタデータ） (2022-11-08T13:28:26Z)
Temporal Pattern Mining for Analysis of Longitudinal Clinical Data: Identifying Risk Factors for Alzheimer's Disease [9.764638397706719]
この方法は、治療法のない進行性神経変性疾患であるアルツハイマー病(AD)の現実世界の研究に適用される。その結果,Concordance indexは最大0.8。
論文参考訳（メタデータ） (2022-09-11T05:44:06Z)
Toward a multimodal multitask model for neurodegenerative diseases diagnosis and progression prediction [0.5735035463793008]
本稿では、アルツハイマー病の予測に使用されるモデルの様々なカテゴリを、それぞれの学習手法で概説する。それは、アルツハイマー病の進行を早期に予測し、検出する比較研究を確立している。最後に,ロバストかつ高精度な検出モデルを提案する。
論文参考訳（メタデータ） (2021-10-10T11:44:16Z)
Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2020-09-25T01:50:15Z)
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)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。