論文の概要: Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories

• arxiv url: http://arxiv.org/abs/2105.00773v1
• Date: Wed, 28 Apr 2021 15:32:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 06:24:29.859939
• Title: Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories
• Title（参考訳）: 新型コロナウイルス病院跡の明示的重複隠れマルコフモデルに対する近似ベイズ計算
• Authors: Gian Marco Visani, Alexandra Hope Lee, Cuong Nguyen, David M. Kent, John B. Wong, Joshua T. Cohen, and Michael C. Hughes
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.786207368853084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of modeling constrained hospital resources in the midst of the COVID-19 pandemic in order to inform decision-makers of future demand and assess the societal value of possible interventions. For broad applicability, we focus on the common yet challenging scenario where patient-level data for a region of interest are not available. Instead, given daily admissions counts, we model aggregated counts of observed resource use, such as the number of patients in the general ward, in the intensive care unit, or on a ventilator. In order to explain how individual patient trajectories produce these counts, we propose an aggregate count explicit-duration hidden Markov model, nicknamed the ACED-HMM, with an interpretable, compact parameterization. We develop an Approximate Bayesian Computation approach that draws samples from the posterior distribution over the model's transition and duration parameters given aggregate counts from a specific location, thus adapting the model to a region or individual hospital site of interest. Samples from this posterior can then be used to produce future forecasts of any counts of interest. Using data from the United States and the United Kingdom, we show our mechanistic approach provides competitive probabilistic forecasts for the future even as the dynamics of the pandemic shift. Furthermore, we show how our model provides insight about recovery probabilities or length of stay distributions, and we suggest its potential to answer challenging what-if questions about the societal value of possible interventions.
• Abstract（参考訳）: 新型コロナウイルスのパンデミックの真っ最中に病院の制約された資源をモデル化し、将来的な需要の意思決定者に通知し、介入の社会的価値を評価するという課題に対処する。 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。 代わりに、毎日の入院回数を考えると、一般病棟の患者数、集中治療室の患者数、人工呼吸器の患者数など、観察された資源使用量の合計数をモデル化する。 本稿では,個々の患者軌跡がこれらの数を生成する方法を説明するために,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。 そこで我々は,特定の場所からの集計数を与えられたモデルの遷移パラメータと持続時間パラメータの後方分布からサンプルを抽出し,そのモデルが関心のある地域や個々の病院に適応する近似ベイズ計算手法を開発した。 この後方からのサンプルは、任意の利子数の将来予測を生成するのに使うことができる。 米国と英国のデータを使って、パンデミックのダイナミクスが変化しても、当社のメカニックなアプローチが未来の競争的確率的予測をもたらすことを示します。 さらに,我々のモデルがリカバリ確率や保留分布の長さについての洞察を提供する方法を示し,介入の可能性の社会的価値に関する疑問に答える可能性を提案する。

関連論文リスト

• Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
  我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。 提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
  論文  参考訳（メタデータ） (2024-11-10T15:54:09Z)
• 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)
• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• 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 COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
  一つの病院で1日当たりの入院患者数を予測するという課題について検討する。 データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-04-14T11:58:54Z)
• Temporal Cascade and Structural Modelling of EHRs for Granular Readmission Prediction [10.943928059802174]
  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。
  論文  参考訳（メタデータ） (2021-02-04T13:02:04Z)
• Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany [0.0]
  いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。 ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。 本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-03T16:39:00Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。