論文の概要: Individual dynamic prediction of clinical endpoint from large dimensional longitudinal biomarker history: a landmark approach

• arxiv url: http://arxiv.org/abs/2102.01466v1
• Date: Tue, 2 Feb 2021 12:36:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-03 16:31:09.145860
• Title: Individual dynamic prediction of clinical endpoint from large dimensional longitudinal biomarker history: a landmark approach
• Title（参考訳）: 大次元縦型バイオマーカー履歴による臨床エンドポイントの個人的動的予測--ランドマークアプローチ
• Authors: Anthony Devaux (BPH), Robin Genuer (BPH, SISTM), Karine P\'er\`es (BPH), C\'ecile Proust-Lima (BPH)
• Abstract要約: 本稿では,多種多様なマーカーの繰り返し測定を活用できる健康事象の動的予測手法を提案する。 Rで実施した手法により,繰り返しマーカーの数が多い場合でも,患者の縦断的履歴全体を用いた事象の予測が可能となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The individual data collected throughout patient follow-up constitute crucial information for assessing the risk of a clinical event, and eventually for adapting a therapeutic strategy. Joint models and landmark models have been proposed to compute individual dynamic predictions from repeated measures to one or two markers. However, they hardly extend to the case where the complete patient history includes much more repeated markers possibly. Our objective was thus to propose a solution for the dynamic prediction of a health event that may exploit repeated measures of a possibly large number of markers. We combined a landmark approach extended to endogenous markers history with machine learning methods adapted to survival data. Each marker trajectory is modeled using the information collected up to landmark time, and summary variables that best capture the individual trajectories are derived. These summaries and additional covariates are then included in different prediction methods. To handle a possibly large dimensional history, we rely on machine learning methods adapted to survival data, namely regularized regressions and random survival forests, to predict the event from the landmark time, and we show how they can be combined into a superlearner. Then, the performances are evaluated by cross-validation using estimators of Brier Score and the area under the Receiver Operating Characteristic curve adapted to censored data. We demonstrate in a simulation study the benefits of machine learning survival methods over standard survival models, especially in the case of numerous and/or nonlinear relationships between the predictors and the event. We then applied the methodology in two prediction contexts: a clinical context with the prediction of death for patients with primary biliary cholangitis, and a public health context with the prediction of death in the general elderly population at different ages. Our methodology, implemented in R, enables the prediction of an event using the entire longitudinal patient history, even when the number of repeated markers is large. Although introduced with mixed models for the repeated markers and methods for a single right censored time-to-event, our method can be used with any other appropriate modeling technique for the markers and can be easily extended to competing risks setting.
• Abstract（参考訳）: 患者のフォローアップを通じて収集された個々のデータは、臨床イベントのリスクを評価し、最終的に治療戦略を適応するための重要な情報です。 反復測度から1つまたは2つのマーカーへの個々の動的予測を計算するために、ジョイントモデルとランドマークモデルが提案されている。 しかし、完全な患者の履歴がはるかに繰り返しのマーカーを含むケースにはほとんど拡張されません。 そこで我々は, 多量のマーカーの繰り返し測定を応用して, 健康イベントを動的に予測する手法を提案することを目標とした。 内因性マーカー履歴に拡張したランドマークアプローチと,サバイバルデータに適応した機械学習手法を組み合わせた。 各マーカー軌跡はランドマーク時間まで収集された情報を用いてモデル化され、個々の軌跡を最も捉えた要約変数が導出される。 これらの要約と追加の共変量は、異なる予測方法に含まれる。 大規模な次元履歴を扱うためには、正規化レグレッションやランダムサバイバル森林といった生存データに適応した機械学習手法を用いて、ランドマーク時間からイベントを予測し、それらをスーパーラーナーにどのように組み合わせるかを示す。 そして、ブリアスコアの推定値と検閲データに適応した受信者操作特性曲線下の領域を用いて、クロスバリデーションによりパフォーマンスを評価する。 特に,予測者と事象との間に多数の非線形関係が存在する場合において,機械学習サバイバル手法の標準生存モデルに対する利点をシミュレーションで実証する。 そこで本研究では, 原発性胆管炎患者に対する死亡予測の臨床的コンテキストと, 一般高齢者における死亡予測との公衆衛生的コンテキストの2つの予測条件を適用した。 Rで実施した手法により,繰り返しマーカーの数が多い場合でも,患者の縦断的履歴全体を用いた事象の予測が可能となった。 繰り返しマーカーの混合モデルや単一の正しい検閲されたイベントのための方法が導入されたが、この方法はマーカーの他の適切なモデリング技術で使用することができ、競合するリスク設定に容易に拡張することができる。

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)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Kernel Cox partially linear regression: building predictive models for cancer patients' survival [4.230753712933184]
  我々はカーネルCox比例ハザード半パラメトリックモデルを構築し、モデルに適合する新しい正規化ニンジン化カーネルマシン(RegGKM)を提案する。 我々はカーネルマシン法を用いて生存率と予測値の複雑な関係を記述し、無関係なパラメトリックおよび非パラメトリック予測値を自動的に除去する。 この結果は、患者を異なる死亡リスクを持つグループに分類し、より良い臨床結果を得るために治療を促進するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-11T04:27:54Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Random survival forests for competing risks with multivariate longitudinal endogenous covariates [0.0]
  本稿では,多数の長手予測器を用いて事象の確率を予測する革新的な手法を提案する。 DynForestは、内因性縦予測器を扱う競合するリスクのためのランダムサバイバル森林の拡張である。
  論文  参考訳（メタデータ） (2022-08-11T12:58:11Z)
• Calibration of prediction rules for life-time outcomes using prognostic Cox regression survival models and multiple imputations to account for missing predictor data with cross-validatory assessment [0.0]
  検閲対象の生存モデルにおけるインプテーションと予測キャリブレーションを組み合わせた手法について述べる。 予測平均化は、ルービンの規則の直接適用とは対照的に、優れた統計的特性、特により小さい予測的変化を有するように見える。
  論文  参考訳（メタデータ） (2021-05-04T20:10:12Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep Cox Mixtures for Survival Regression [11.64579638651557]
  本稿では,Cox回帰の学習混合物をモデルとした生存分析回帰モデルに対する新しいアプローチについて述べる。 我々は、複数の実世界のデータセットで実験を行い、民族や性別にまたがる患者の死亡率を調べる。
  論文  参考訳（メタデータ） (2021-01-16T22:41:22Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• 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)

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。