論文の概要: Improving Prediction of Low-Prior Clinical Events with Simultaneous
General Patient-State Representation Learning
- arxiv url: http://arxiv.org/abs/2106.14838v1
- Date: Mon, 28 Jun 2021 16:32:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 13:58:39.798042
- Title: Improving Prediction of Low-Prior Clinical Events with Simultaneous
General Patient-State Representation Learning
- Title（参考訳）: 患者状態の同時学習による低レベル臨床イベントの予測の改善
- Authors: Matthew Barren, Milos Hauskrecht
- Abstract要約: 我々は、リカレントニューラルネットワーク(RNN)の文脈におけるアプローチについて研究する。
モデルトレーニングにおける一般的な患者状態表現タスクの導入は、個別の低優先度目標の予測を改善することを示す。
- 参考スコア（独自算出の注目度）: 11.574235466142833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-prior targets are common among many important clinical events, which
introduces the challenge of having enough data to support learning of their
predictive models. Many prior works have addressed this problem by first
building a general patient-state representation model, and then adapting it to
a new low-prior prediction target. In this schema, there is potential for the
predictive performance to be hindered by the misalignment between the general
patient-state model and the target task. To overcome this challenge, we propose
a new method that simultaneously optimizes a shared model through multi-task
learning of both the low-prior supervised target and general purpose
patient-state representation (GPSR). More specifically, our method improves
prediction performance of a low-prior task by jointly optimizing a shared model
that combines the loss of the target event and a broad range of generic
clinical events. We study the approach in the context of Recurrent Neural
Networks (RNNs). Through extensive experiments on multiple clinical event
targets using MIMIC-III data, we show that the inclusion of general
patient-state representation tasks during model training improves the
prediction of individual low-prior targets.
- Abstract（参考訳）: 低優先度のターゲットは多くの重要な臨床イベントに共通しており、予測モデルの学習を支援する十分なデータを持つことが課題となっている。
多くの先行研究は、まずは一般的な患者状態表現モデルを構築し、次に新しい優先度の低い予測ターゲットに適応することでこの問題に対処した。
このスキーマでは、一般的な患者状態モデルと目標タスクのミスアライメントによって予測性能が妨げられる可能性がある。
この課題を克服するために,低優先度教師付き目標と汎用患者状態表現(GPSR)の両方のマルチタスク学習を通じて,共有モデルを同時に最適化する手法を提案する。
具体的には、目標イベントの損失と広範囲の総合的な臨床イベントを組み合わせた共有モデルを共同最適化することにより、低優先度タスクの予測性能を向上する。
本稿では,リカレントニューラルネットワーク(RNN)の文脈におけるアプローチについて検討する。
mimic-iiiデータを用いた複数の臨床イベントターゲットに対する広範囲な実験を行い,モデルトレーニング中に一般の患者-状態表現タスクを組み込むことにより,個々の低優先度目標の予測が向上することを示した。
関連論文リスト
- 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) - Learning to Select the Best Forecasting Tasks for Clinical Outcome Prediction [25.535543983198107]
本稿では,メタオブジェクトを用いたメタトレーニングにより,自己管理型患者軌道予測学習ルールのメタ学習を提案する。
このメタオブジェクトは、後続の監督タスクに対するラベル付けされていない臨床測定予測から生成された表現の有用性を直接ターゲットとする。
本手法の有効性を,実際のオープンソース患者EHRデータセットMIMIC-IIIを用いて検証した。
論文 参考訳（メタデータ） (2024-07-28T01:22:04Z) - Meta Transfer of Self-Supervised Knowledge: Foundation Model in Action
for Post-Traumatic Epilepsy Prediction [0.6291443816903801]
基礎モデルに新たなトレーニング戦略を導入する。
提案手法は,小規模臨床データセットのタスク性能を著しく向上することを示す。
さらに, 基礎モデルの一般化性の向上を実証した。
論文 参考訳（メタデータ） (2023-12-21T07:42:49Z) - Personalized Event Prediction for Electronic Health Records [7.224184629864593]
臨床イベントシーケンスは、時間内の患者のケアの記録を表す数百の臨床イベントから構成される。
臨床シーケンスの予測モデルを学ぶ上で重要な課題は、患者固有の多様性である。
論文 参考訳（メタデータ） (2023-08-21T20:03:16Z) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-11-01T14:12:58Z) - DeepJoint: Robust Survival Modelling Under Clinical Presence Shift [2.9745607433320926]
本稿では,生存率と平行な3つの臨床的存在次元をモデル化したリカレントニューラルネットワークを提案する。
予測タスクでは、これらの3つのプロセスの明示的なモデリングにより、最先端の予測モデルと比較して性能が向上した。
論文 参考訳（メタデータ） (2022-05-26T16:42:38Z) - A comparison of approaches to improve worst-case predictive model
performance over patient subpopulations [14.175321968797252]
患者において平均的に正確な臨床結果の予測モデルは、いくつかのサブ集団に対して劇的に過小評価される可能性がある。
サブポピュレーションに対する解離および最悪の性能を一貫して改善するモデル開発と選択のアプローチを同定する。
本研究は, 比較的少数の例外を除いて, 標準学習法よりも, 患者サブポピュレーションに対するアプローチが優れていることが確認された。
論文 参考訳（メタデータ） (2021-08-27T13:10:00Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Novel Human-Object Interaction Detection via Adversarial Domain
Generalization [103.55143362926388]
本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。
この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。
本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2020-05-22T22:02:56Z)
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。