論文の概要: Temporal Cascade and Structural Modelling of EHRs for Granular
Readmission Prediction
- arxiv url: http://arxiv.org/abs/2102.02586v1
- Date: Thu, 4 Feb 2021 13:02:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 16:48:06.168586
- Title: Temporal Cascade and Structural Modelling of EHRs for Granular
Readmission Prediction
- Title(参考訳): 粒状受入予測のためのEHRの時間カスケードと構造モデリング
- Authors: Bhagya Hettige, Weiqing Wang, Yuan-Fang Li, Suong Le, Wray Buntine
- Abstract要約: 本稿では,時間的カスケード関係をモデル化するための新しいモデルMEDCASを提案する。
MEDCASは、訪問タイプと時間ギャップをモデル化する点過程を、注目に基づくシーケンス・ツー・シーケンス学習モデルに統合する。
3つの実世界のEHRデータセットの実験を行い、ttexttMEDCASが両方のタスクで最先端のモデルより優れていることを示した。
- 参考スコア(独自算出の注目度): 10.943928059802174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting (1) when the next hospital admission occurs and (2) what will
happen in the next admission about a patient by mining electronic health record
(EHR) data can provide granular readmission predictions to assist clinical
decision making. Recurrent neural network (RNN) and point process models are
usually employed in modelling temporal sequential data. Simple RNN models
assume that sequences of hospital visits follow strict causal dependencies
between consecutive visits. However, in the real-world, a patient may have
multiple co-existing chronic medical conditions, i.e., multimorbidity, which
results in a cascade of visits where a non-immediate historical visit can be
most influential to the next visit. Although a point process (e.g., Hawkes
process) is able to model a cascade temporal relationship, it strongly relies
on a prior generative process assumption. We propose a novel model, MEDCAS, to
address these challenges. MEDCAS combines the strengths of RNN-based models and
point processes by integrating point processes in modelling visit types and
time gaps into an attention-based sequence-to-sequence learning model, which is
able to capture the temporal cascade relationships. To supplement the patients
with short visit sequences, a structural modelling technique with graph-based
methods is used to construct the markers of the point process in MEDCAS.
Extensive experiments on three real-world EHR datasets have been performed and
the results demonstrate that \texttt{MEDCAS} outperforms state-of-the-art
models in both tasks.
- Abstract(参考訳): 1)次の入院時と(2)電子健康記録(EHR)データをマイニングすることで、患者の次の入院時に何が起こるかを予測することで、臨床上の意思決定を支援することができる。
リカレントニューラルネットワーク(RNN)とポイントプロセスモデルは通常、時間的シーケンシャルデータのモデル化に使用される。
単純なRNNモデルは、病院訪問のシーケンスが連続訪問の間の厳密な因果関係に従うと仮定する。
しかし、現実の世界では、患者は複数の慢性的な疾患、すなわちマルチモルビディティを併存している可能性があるため、非中間の歴史的訪問が次の訪問に最も影響を与える可能性がある。
点過程(例えば、ホークス過程)はカスケード時間関係をモデル化できるが、それ以前の生成過程の仮定に強く依存している。
これらの課題に対処するための新しいモデルMEDCASを提案する。
MEDCASは、訪問タイプと時間ギャップをモデル化する点過程を、時間的カスケード関係を捉えることのできる注意に基づくシーケンス・ツー・シーケンス学習モデルに統合することで、RNNベースのモデルとポイントプロセスの長所を結合する。
短期訪問患者を補うため,MEDCASにおけるポイントプロセスのマーカーを構築するために,グラフに基づく構造モデリング手法が用いられている。
実世界の3つのEHRデータセットに対する大規模な実験が実施され、その結果、 \texttt{MEDCAS} が両方のタスクにおける最先端モデルより優れていることが示された。
関連論文リスト
- TA-RNN: an Attention-based Time-aware Recurrent Neural Network
Architecture for Electronic Health Records [0.0]
リカレントニューラルネットワーク(RNN)のような深層学習手法を用いて、ERHを分析して疾患の進行をモデル化し、診断を予測する。
本研究では,TA-RNN(Time-Aware RNN)とTA-RNN-Autoencoder(TA-RNN-AE)という,RNNに基づく2つの解釈可能なDLアーキテクチャを提案する。
本研究では,不規則な時間間隔の影響を軽減するため,訪問時間間の時間埋め込みを取り入れることを提案する。
論文 参考訳(メタデータ) (2024-01-26T07:34:53Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - 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) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - Efficient Learning and Decoding of the Continuous-Time Hidden Markov
Model for Disease Progression Modeling [119.50438407358862]
本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。
EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。
緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
論文 参考訳(メタデータ) (2021-10-26T20:06:05Z) - Simple Recurrent Neural Networks is all we need for clinical events
predictions using EHR data [22.81278657120305]
リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、EHRに基づく臨床イベント予測モデルのための一般的なアーキテクチャである。
心不全の発症リスクと入院早期入院のリスクの2つの予測課題を用いた。
GRUやLSTMなどの単純なゲート付きRNNモデルでは,ベイズ最適化を適切に調整した場合に,しばしば競合する結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-10-03T13:07:23Z) - Temporal Clustering with External Memory Network for Disease Progression
Modeling [8.015263440307631]
疾患進行モデリング(DPM)は、特定の疾患の進行の重症度を定量的に測定するために数学的枠組みを使用する。
DPMは、健康状態の予測、疾患ステージの分類、疾患軌跡の評価など、多くの点で有用である。
論文 参考訳(メタデータ) (2021-09-29T02:32:06Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳(メタデータ) (2021-04-28T15:32:42Z) - Neural Topic Models with Survival Supervision: Jointly Predicting
Time-to-Event Outcomes and Learning How Clinical Features Relate [8.661220987937565]
本稿では,時間対結果の予測のための解釈可能なニューラルネットワーク手法を提案する。
我々は、トピックモデルの観点から機能がどのように関連しているかを同時に学習しながら、時間から時間までの結果を予測するために生存モデルを学習する。
本研究は,7つの医療データセットを用いて,死亡までの予測と入院期間の予測について検討した。
論文 参考訳(メタデータ) (2020-07-15T16:20:04Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳(メタデータ) (2020-01-08T15:47:08Z)
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。