Fugu-MT 論文翻訳(概要): Dynamic prediction of time to event with survival curves

論文の概要: Dynamic prediction of time to event with survival curves

arxiv url: http://arxiv.org/abs/2101.10739v2
Date: Thu, 11 Mar 2021 04:32:31 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 09:40:36.547090
Title: Dynamic prediction of time to event with survival curves
Title（参考訳）: 生存曲線による時・出来事の動的予測
Authors: Jie Zhu, Blanca Gallego
Abstract要約: 最近開発した反実用動的生存モデル(CDSM)を静的および縦方向の観測データに適用します。評価された個別生存曲線の反射点が、患者の失敗時間の確実な予測をもたらすことを証明した。
参考スコア（独自算出の注目度）: 3.9169188005935927
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the ever-growing complexity of primary health care system, proactive patient failure management is an effective way to enhancing the availability of health care resource. One key enabler is the dynamic prediction of time-to-event outcomes. Conventional explanatory statistical approach lacks the capability of making precise individual level prediction, while the data adaptive binary predictors does not provide nominal survival curves for biologically plausible survival analysis. The purpose of this article is to elucidate that the knowledge of explanatory survival analysis can significantly enhance the current black-box data adaptive prediction models. We apply our recently developed counterfactual dynamic survival model (CDSM) to static and longitudinal observational data and testify that the inflection point of its estimated individual survival curves provides reliable prediction of the patient failure time.
Abstract（参考訳）: プライマリヘルスケアシステムの複雑化に伴い、積極的な患者の障害管理は、ヘルスケアリソースの可用性を高める効果的な方法です。 1つの重要なイネーブルは、時間対結果の動的予測である。従来の説明的統計的アプローチでは、個々のレベルを正確に予測する能力が欠けていますが、データ適応型バイナリ予測器は生物学的に妥当な生存分析のために名目上の生存曲線を提供しません。本論文の目的は、説明的生存分析の知識が現在のブラックボックスデータ適応予測モデルを大幅に改善できることを解明することである。今回開発したCDSMを静的および縦方向の観測データに適用し、推定された個々の生存曲線の反射点が患者の故障時間の信頼できる予測を提供することを検証します。

関連論文リスト

SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
論文参考訳（メタデータ） (2024-09-30T03:01:25Z)
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)
SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-24T04:47:36Z)
HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。 HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
論文参考訳（メタデータ） (2023-11-23T06:17:31Z)
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)
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)
Deep Learning-Based Discrete Calibrated Survival Prediction [0.0]
本稿では,識別・校正型生存予測のための新しいディープニューラルネットワークである離散校正サバイバル(DCS)を提案する。 DCSの高機能化は、可変時間出力ノード間隔と新しい損失項という2つの新しい特徴に起因している。我々は、DCSが、最先端の差別と良好な校正によるディープラーニングに基づく生存予測の臨床的応用に向けた重要なステップであると考えている。
論文参考訳（メタデータ） (2022-08-17T09:40:07Z)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
論文参考訳（メタデータ） (2020-11-02T10:13:59Z)
Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文参考訳（メタデータ） (2020-06-14T01:15:00Z)
Uncertainty Estimation in Cancer Survival Prediction [8.827764645115955]
生存モデルは、がん治療プロトコルの開発など、様々な分野で使用されている。本稿では,より正確な生存予測を与えるだけでなく,生存不確実性をより正確に評価するバイーシアンフレームワークを提案する。提案手法は,不確実性推定のための変分推論,非線形および時間変化リスクモデルの推定のためのニューラルマルチタスクロジスティック回帰,および高次元データを用いた作業に先立って追加の空間性誘導の組み合わせである。
論文参考訳（メタデータ） (2020-03-19T05:08:01Z)

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。