論文の概要: Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network

• arxiv url: http://arxiv.org/abs/2102.01147v1
• Date: Mon, 1 Feb 2021 20:35:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 06:37:35.747242
• Title: Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network
• Title（参考訳）: マルチタスクガウスプロセスマルチオブジェクト自己アテンションネットワークを用いたCOVID-19患者における機械的換気のリアルタイム予測
• Authors: Kai Zhang, Siddharth Karanth, Bela Patel, Robert Murphy, Xiaoqian Jiang
• Abstract要約: 本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。 新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。 予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
• 参考スコア（独自算出の注目度）: 9.287068570192057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a robust in-time predictor for in-hospital COVID-19 patient's probability of requiring mechanical ventilation. A challenge in the risk prediction for COVID-19 patients lies in the great variability and irregular sampling of patient's vitals and labs observed in the clinical setting. Existing methods have strong limitations in handling time-dependent features' complex dynamics, either oversimplifying temporal data with summary statistics that lose information or over-engineering features that lead to less robust outcomes. We propose a novel in-time risk trajectory predictive model to handle the irregular sampling rate in the data, which follows the dynamics of risk of performing mechanical ventilation for individual patients. The model incorporates the Multi-task Gaussian Process using observed values to learn the posterior joint multi-variant conditional probability and infer the missing values on a unified time grid. The temporal imputed data is fed into a multi-objective self-attention network for the prediction task. A novel positional encoding layer is proposed and added to the network for producing in-time predictions. The positional layer outputs a risk score at each user-defined time point during the entire hospital stay of an inpatient. We frame the prediction task into a multi-objective learning framework, and the risk scores at all time points are optimized altogether, which adds robustness and consistency to the risk score trajectory prediction. Our experimental evaluation on a large database with nationwide in-hospital patients with COVID-19 also demonstrates that it improved the state-of-the-art performance in terms of AUC (Area Under the receiver operating characteristic Curve) and AUPRC (Area Under the Precision-Recall Curve) performance metrics, especially at early times after hospital admission.
• Abstract（参考訳）: 本研究では,院内感染者が機械的換気を必要とする確率を予測できる堅牢なインタイム予測器を提案する。 COVID-19患者のリスク予測の課題は、臨床設定で観察された患者のバイタルとラボの大きな変動と不規則なサンプリングにあります。 既存の手法は時間依存的な機能の複雑なダイナミクスを扱うのに強い制限があり、情報を失う要約統計による時間的データの単純化や、より堅牢な結果をもたらすオーバーエンジニアリング機能などである。 個別の患者に対して機械的換気を行うリスクのダイナミクスを追従するデータの不規則なサンプリング率を扱うための,新しいリアルタイムリスク軌跡予測モデルを提案する。 このモデルは、観測値を用いたマルチタスクガウス過程を取り入れ、後継の多変条件確率を学習し、統一された時間グリッド上の欠落値を推定する。 時間的インデュートデータは、予測タスクのために多目的セルフアテンションネットワークに供給される。 リアルタイム予測を行うための新しい位置符号化層を提案し,ネットワークに追加した。 位置層は、患者全体の病院滞在中に、各ユーザー定義の時点にリスクスコアを出力する。 予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化し、リスクスコアの軌道予測に堅牢性と一貫性を付加する。 また,全国の病院内患者を対象とした大規模データベースを用いた実験により,auc(受信者動作特性曲線下の地域)とauprc(精密リコール曲線下の地域)のパフォーマンス指標,特に入院後の早期におけるパフォーマンスの向上が示された。

関連論文リスト

• SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
  本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
  論文  参考訳（メタデータ） (2024-09-19T12:35:25Z)
• 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)
• DySurv: dynamic deep learning model for survival analysis with conditional variational inference [2.6163120339292654]
  本研究では,動的に死亡リスクを推定する条件付き変分自動エンコーダDySurvを提案する。 DySurv は累積リスク発生関数を直接見積もるが、時間から時間までのプロセスのパラメトリックな仮定は行わない。
  論文  参考訳（メタデータ） (2023-10-28T11:29:09Z)
• 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)
• Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning [0.0]
  本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。 新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
  論文  参考訳（メタデータ） (2022-11-01T20:42:26Z)
• COPER: Continuous Patient State Perceiver [13.735956129637945]
  本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。 ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。 提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
  論文  参考訳（メタデータ） (2022-08-05T14:32:57Z)
• 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)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Adaptive Prediction Timing for Electronic Health Records [3.308743964406688]
  適応率で患者結果を予測する新しい,より現実的なアプローチを導入する。 リカレントニューラルネットワーク(RNN)とベイズ埋め込み層に新しいアグリゲーション法を適用し,適応予測のタイミングを示す。 入院48時間後,本モデルではスタティックウインドウと同等の性能を示した。
  論文  参考訳（メタデータ） (2020-03-05T12:02:44Z)

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。