論文の概要: Synthesizing time-series wound prognosis factors from electronic medical records using generative adversarial networks

• arxiv url: http://arxiv.org/abs/2105.01159v1
• Date: Mon, 3 May 2021 20:26:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 13:06:32.445744
• Title: Synthesizing time-series wound prognosis factors from electronic medical records using generative adversarial networks
• Title（参考訳）: ジェネレーティブ・アドバーサリー・ネットワークを用いた電子カルテからの時系列創傷予後因子の合成
• Authors: Farnaz H. Foomani, D. M. Anisuzzaman, Jeffrey Niezgoda, Jonathan Niezgoda, William Guns, Sandeep Gopalakrishnan, Zeyun Yu
• Abstract要約: 創傷予後因子を合成するためにgans(time series medical generative adversarial networks)を開発した。 条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wound prognostic models not only provide an estimate of wound healing time to motivate patients to follow up their treatments but also can help clinicians to decide whether to use a standard care or adjuvant therapies and to assist them with designing clinical trials. However, collecting prognosis factors from Electronic Medical Records (EMR) of patients is challenging due to privacy, sensitivity, and confidentiality. In this study, we developed time series medical generative adversarial networks (GANs) to generate synthetic wound prognosis factors using very limited information collected during routine care in a specialized wound care facility. The generated prognosis variables are used in developing a predictive model for chronic wound healing trajectory. Our novel medical GAN can produce both continuous and categorical features from EMR. Moreover, we applied temporal information to our model by considering data collected from the weekly follow-ups of patients. Conditional training strategies were utilized to enhance training and generate classified data in terms of healing or non-healing. The ability of the proposed model to generate realistic EMR data was evaluated by TSTR (test on the synthetic, train on the real), discriminative accuracy, and visualization. We utilized samples generated by our proposed GAN in training a prognosis model to demonstrate its real-life application. Using the generated samples in training predictive models improved the classification accuracy by 6.66-10.01% compared to the previous EMR-GAN. Additionally, the suggested prognosis classifier has achieved the area under the curve (AUC) of 0.975, 0.968, and 0.849 when training the network using data from the first three visits, first two visits, and first visit, respectively. These results indicate a significant improvement in wound healing prediction compared to the previous prognosis models.
• Abstract（参考訳）: 創傷予防モデルは、患者の治療に追随する動機づけとなる創傷治癒時間を推定するだけでなく、臨床医が標準的な治療や補助療法を使うかどうかを判断し、臨床試験の設計を支援するのに役立つ。 しかし、患者の電子カルテ(EMR)から予後因子を収集することは、プライバシ、感度、機密性のために困難である。 本研究では, 特別な創傷治療施設において, 定期治療中に収集された極めて限られた情報を用いて, 合成創傷予後因子を生成できる時系列医療生成敵ネットワーク(GAN)を開発した。 生成した予後変数は、慢性創傷治癒軌跡の予測モデルの開発に使用される。 我々の新しい医用GANは, EMRの連続的特徴と分類的特徴の両方を生み出すことができる。 さらに,患者の週次追跡から収集したデータを考慮し,時間的情報をモデルに適用した。 条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。 tstr(test on the synthetic, train on the real, discriminative accuracy, and visualization)を用いて,提案モデルによる現実的emrデータ生成能力の評価を行った。 提案したGANが生成したサンプルを用いて,予後モデルのトレーニングを行い,実生活への応用を実証した。 得られたサンプルをトレーニング予測モデルに使用することにより,以前のEMR-GANと比較して6.66-10.01%の分類精度が向上した。 さらに,提案した予後分類器は,最初の3回の訪問,最初の2回の訪問,および最初の訪問からのデータを用いてネットワークをトレーニングする際の曲線(AUC) 0.975, 0.968, 0.849の領域を達成した。 これらの結果は,従来の予後モデルと比較して創傷治癒予測が有意に改善したことを示している。

関連論文リスト

• 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)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Prediction of drug effectiveness in rheumatoid arthritis patients based on machine learning algorithms [2.5759046095742453]
  慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。 機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。 本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
  論文  参考訳（メタデータ） (2022-10-14T15:15:37Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• 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)
• Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
  我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。 入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。 以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T02:44:52Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Forecasting adverse surgical events using self-supervised transfer learning for physiological signals [7.262231066394781]
  本稿では,PHASE という,伝送可能な埋め込み方式(時系列信号を予測機械学習モデルのための入力特徴に変換する方法)を提案する。 我々は,2つの手術室(OR)データセットと集中治療室(ICU)データセットの5万件以上の手術群について,分単位でPHASEを評価した。 1つのデータセットに埋め込みモデルを訓練し、信号を埋め込み、未知のデータに有害事象を予測する伝達学習環境において、PHASEは従来の手法に比べて計算コストの低い精度で予測精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-12T02:49:15Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。