論文の概要: An explainable Transformer-based deep learning model for the prediction of incident heart failure

• arxiv url: http://arxiv.org/abs/2101.11359v1
• Date: Wed, 27 Jan 2021 12:45:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 22:44:59.230242
• Title: An explainable Transformer-based deep learning model for the prediction of incident heart failure
• Title（参考訳）: インシデント心不全予測のための説明可能なトランスフォーマー型深層学習モデル
• Authors: Shishir Rao, Yikuan Li, Rema Ramakrishnan, Abdelaali Hassaine, Dexter Canoy, John Cleland, Thomas Lukasiewicz, Gholamreza Salimi-Khorshidi, Kazem Rahimi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.513476932615845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the incidence of complex chronic conditions such as heart failure is challenging. Deep learning models applied to rich electronic health records may improve prediction but remain unexplainable hampering their wider use in medical practice. We developed a novel Transformer deep-learning model for more accurate and yet explainable prediction of incident heart failure involving 100,071 patients from longitudinal linked electronic health records across the UK. On internal 5-fold cross validation and held-out external validation, our model achieved 0.93 and 0.93 area under the receiver operator curve and 0.69 and 0.70 area under the precision-recall curve, respectively and outperformed existing deep learning models. Predictor groups included all community and hospital diagnoses and medications contextualised within the age and calendar year for each patient's clinical encounter. The importance of contextualised medical information was revealed in a number of sensitivity analyses, and our perturbation method provided a way of identifying factors contributing to risk. Many of the identified risk factors were consistent with existing knowledge from clinical and epidemiological research but several new associations were revealed which had not been considered in expert-driven risk prediction models.
• Abstract（参考訳）: 心臓不全などの複雑な慢性状態の発生を予測することは困難です。 リッチな電子健康記録に適用されたディープラーニングモデルは予測を改善するが、医療で広く使われることを妨げる説明がつかない。 英国全国の縦断型電子健康記録から100,071人の患者による心不全のより正確かつ説明可能な予測のための,新しいトランスフォーマ・ディープラーニングモデルを開発した。 内部5倍のクロスバリデーションとホールドアウト外部バリデーションでは,受信演算子曲線の0.93と0.93、高精度リコール曲線の0.69と0.70が達成され,既存のディープラーニングモデルよりも優れていた。 予測群には、各患者の臨床遭遇の年齢および暦年内にコンテキスト化されたすべてのコミュニティおよび病院の診断および薬が含まれていた。 コンテクスト化医療情報の重要性は,多くの感度分析で明らかにされ,摂動法がリスクに寄与する因子を同定する方法となった。 診断されたリスク要因の多くは、臨床および疫学研究からの既存の知識と一致していたが、専門家主導のリスク予測モデルでは考慮されなかったいくつかの新しい関連が明らかになった。

関連論文リスト

• 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)
• 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)
• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• 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)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• 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)
• Risk factor identification for incident heart failure using neural network distillation and variable selection [24.366241122862473]
  リスク関連同定のための確立されたディープラーニングモデルによって学習された隠れたパターンを解く2つの方法を提案する。 788,880例(8.3%の心不全)のコホートが検討された。 モデル蒸留では, 心不全に関連する598例と379例を, 人口レベルでそれぞれ同定した。 これらの重要な集団レベルの知見に加えて, 臨床における心不全の出現を考慮し, 個人レベルでの解釈へのアプローチを開発した。
  論文  参考訳（メタデータ） (2021-02-17T10:20:38Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• A scalable approach for developing clinical risk prediction applications in different hospitals [2.3837093461599634]
  機械学習アルゴリズムは現在、臨床応用のための急性事象の予測に広く使われている。 臨床リスク予測モデルの開発プロセスを複数の疾患に拡張するためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2021-01-21T21:22:32Z)
• 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)
• Machine Intelligence for Outcome Predictions of Trauma Patients During Emergency Department Care [0.0]
  外傷死亡は, 患者人口, 外傷特性, 医療提供, 医療施設の特徴など, 多数の非線形依存型リスク要因から生じる。 我々は、移動学習に基づく機械学習アルゴリズムが、限定回帰モデル基準に頼ることなく、死亡リスクの高い個人を正確に識別できると仮定した。 本モデルは, 年齢別比較モデルにおいて同様の性能を示し, 全年齢に同時に適用した場合によく一般化した。
  論文  参考訳（メタデータ） (2020-09-08T17:26:34Z)

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。