論文の概要: Risk factor identification for incident heart failure using neural
network distillation and variable selection
- arxiv url: http://arxiv.org/abs/2102.12936v2
- Date: Mon, 1 Mar 2021 10:09:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:41:35.058789
- Title: Risk factor identification for incident heart failure using neural
network distillation and variable selection
- Title（参考訳）: ニューラルネットワーク蒸留と可変選択を用いた心不全の危険因子同定
- Authors: Yikuan Li, Shishir Rao, Mohammad Mamouei, Gholamreza Salimi-Khorshidi,
Dexter Canoy, Abdelaali Hassaine, Thomas Lukasiewicz, Kazem Rahimi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.366241122862473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent evidence shows that deep learning models trained on electronic health
records from millions of patients can deliver substantially more accurate
predictions of risk compared to their statistical counterparts. While this
provides an important opportunity for improving clinical decision-making, the
lack of interpretability is a major barrier to the incorporation of these
black-box models in routine care, limiting their trustworthiness and preventing
further hypothesis-testing investigations. In this study, we propose two
methods, namely, model distillation and variable selection, to untangle hidden
patterns learned by an established deep learning model (BEHRT) for risk
association identification. Due to the clinical importance and diversity of
heart failure as a phenotype, it was used to showcase the merits of the
proposed methods. A cohort with 788,880 (8.3% incident heart failure) patients
was considered for the study. Model distillation identified 598 and 379
diseases that were associated and dissociated with heart failure at the
population level, respectively. While the associations were broadly consistent
with prior knowledge, our method also highlighted several less appreciated
links that are worth further investigation. In addition to these important
population-level insights, we developed an approach to individual-level
interpretation to take account of varying manifestation of heart failure in
clinical practice. This was achieved through variable selection by detecting a
minimal set of encounters that can maximally preserve the accuracy of
prediction for individuals. Our proposed work provides a discovery-enabling
tool to identify risk factors in both population and individual levels from a
data-driven perspective. This helps to generate new hypotheses and guides
further investigations on causal links.
- Abstract（参考訳）: 最近の証拠は、何百万もの患者から電子健康記録に基づいて訓練されたディープラーニングモデルが、統計的に比較すると、より正確なリスク予測を実現できることを示している。
これは臨床意思決定を改善する重要な機会を提供するが、解釈可能性の欠如は、日常診療におけるこれらのブラックボックスモデルの導入、信頼性の制限、さらなる仮説検証調査の防止にとって大きな障壁である。
本研究では,既存の深層学習モデル(BEHRT)で学習した隠れパターンを,モデル蒸留と変数選択という2つの手法で解き放つ手法を提案する。
表現型としての心不全の臨床的重要性と多様性から,提案法の有効性を示すために用いられた。
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。
これらの関連は,事前知識と概ね一致していたが,本手法ではさらに検討する価値の低いリンクについても強調した。
これらの重要な集団レベルの知見に加えて,臨床実践における心不全の様相を考慮した個別レベルの解釈へのアプローチを開発した。
これは、個人に対する予測の精度を最大に維持できる最小の出会いセットを検出することで、可変選択によって達成された。
提案した研究は、データ駆動の観点から、人口と個人レベルのリスク要因を識別するための発見誘導ツールを提供する。
これは新しい仮説を生み出し、因果関係に関するさらなる調査を導くのに役立つ。
関連論文リスト
- 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) - 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) - CARNA: Characterizing Advanced heart failure Risk and hemodyNAmic
phenotypes using learned multi-valued decision diagrams [6.599394944440605]
CARNAは、進行心不全に対する血行動態のリスク層化および表現型化の枠組みである。
機械学習による多値決定図(MVDD)の説明可能性と表現性を利用する。
侵襲的な血行動態を組み込んでおり、欠落したデータの予測を行うことができる。
論文 参考訳（メタデータ） (2023-06-11T22:56:59Z) - Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
本研究の目的は、希少な疾患を患っているk人の集団を同定することである。
個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
論文 参考訳（メタデータ） (2022-06-15T16:38:50Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳（メタデータ） (2021-08-07T15:08:15Z) - Development of an accessible 10-year Digital CArdioVAscular (DiCAVA)
risk assessment: a UK Biobank study [0.46180371154032895]
目標は、統計的および機械学習技術を使用して新しいリスクモデル(DiCAVA)を開発することであった。
第二の目標は、CVDリスクアセスメントに組み込むことができる新しい患者中心変数を特定することでした。
論文 参考訳（メタデータ） (2021-04-20T16:01:50Z) - An explainable Transformer-based deep learning model for the prediction
of incident heart failure [22.513476932615845]
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。
論文 参考訳（メタデータ） (2021-01-27T12:45:15Z) - Deep Learning Applied to Chest X-Rays: Exploiting and Preventing
Shortcuts [11.511323714777298]
本稿では,特定の属性を有する患者が興味を抱く可能性が極めて高い,突発性クラススキューの症例について検討する。
深層ネットは、診断の予測を学ぶ際に、性別(AUROC=0.96)や年齢(AUROC=0.90)を含む多くの患者属性を正確に識別できることを示す。
単純な転送学習アプローチは、ショートカットを防止し、優れたパフォーマンスを促進するのに驚くほど効果的である。
論文 参考訳（メタデータ） (2020-09-21T18:52:43Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。