論文の概要: Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients

• arxiv url: http://arxiv.org/abs/2012.13233v3
• Date: Sun, 17 Jan 2021 23:51:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 08:11:03.048322
• Title: Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients
• Title（参考訳）: 心不全患者に対する深部半監督型組込みクラスタリング(DSEC)
• Authors: Oliver Carr, Stojan Jovanovic, Luca Albergante, Fernando Andreotti, Robert D\"urichen, Nadia Lipunova, Janie Baxter, Rabia Khan, Benjamin Irving
• Abstract要約: 本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
• 参考スコア（独自算出の注目度）: 50.48904066814385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining phenotypes of diseases can have considerable benefits for in-hospital patient care and to drug development. The structure of high dimensional data sets such as electronic health records are often represented through an embedding of the data, with clustering methods used to group data of similar structure. If subgroups are known to exist within data, supervised methods may be used to influence the clusters discovered. We propose to extend deep embedded clustering to a semi-supervised deep embedded clustering algorithm to stratify subgroups through known labels in the data. In this work we apply deep semi-supervised embedded clustering to determine data-driven patient subgroups of heart failure from the electronic health records of 4,487 heart failure and control patients. We find clinically relevant clusters from an embedded space derived from heterogeneous data. The proposed algorithm can potentially find new undiagnosed subgroups of patients that have different outcomes, and, therefore, lead to improved treatments.
• Abstract（参考訳）: 疾患の表現型を決定することは、病院内患者のケアや薬物開発にかなりの利益をもたらす。 電子健康記録のような高次元データセットの構造は、しばしば類似した構造のデータをグループ化するクラスタリング法を用いて、データの埋め込みを通して表現される。 サブグループがデータの中に存在することが分かっている場合、教師付き手法が発見されるクラスタに影響を与える可能性がある。 本稿では,半教師付き深層クラスタリングアルゴリズムに深層クラスタリングを拡張して,データ中の既知のラベルを通してサブグループを階層化する手法を提案する。 本研究では,4,487人の心不全とコントロール患者の電子健康記録から,データ駆動型心不全患者サブグループを決定するために,深層半教師付き組込みクラスタリングを適用した。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができるため、治療の改善につながる可能性がある。

関連論文リスト

• Federated unsupervised random forest for privacy-preserving patient stratification [0.4499833362998487]
  教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。 我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。 本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:04:14Z)
• A system for exploring big data: an iterative k-means searchlight for outlier detection on open health data [0.4588028371034407]
  本稿では,サーチライト手法を用いて複数の変数の組み合わせを探索し,外乱を識別するシステムを提案する。 ニューヨーク州が公開しているオープンヘルスデータを分析して,本システムについて解説する。 特定の病院での費用オーバーランや、自殺などの診断の増加など、データの異常な傾向が特定されている。
  論文  参考訳（メタデータ） (2023-04-05T02:09:15Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)
• DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization [24.100651548850895]
  本稿では,大規模医用画像データセットの自動クラスタリングと分類のための教師なしアプローチを提案する。 本研究では,クラスバランスと非バランスな大規模データセットを用いたエンドツーエンドトレーニングについて検討した。
  論文  参考訳（メタデータ） (2021-09-30T22:39:57Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• 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)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)
• 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)

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。