論文の概要: Nonlinear State Space Modeling and Control of the Impact of Patients'
Modifiable Lifestyle Behaviors on the Emergence of Multiple Chronic
Conditions
- arxiv url: http://arxiv.org/abs/2107.13394v1
- Date: Wed, 14 Jul 2021 18:01:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-01 11:03:19.770317
- Title: Nonlinear State Space Modeling and Control of the Impact of Patients'
Modifiable Lifestyle Behaviors on the Emergence of Multiple Chronic
Conditions
- Title（参考訳）: 非線形状態空間のモデリングと患者の生活習慣の変化が複数の慢性状態の発生に及ぼす影響の制御
- Authors: Syed Hasib Akhter Faruqui, Adel Alaeddini, Jing Wang, Susan P
Fisher-Hoch, and Joseph B Mccormic
- Abstract要約: 多発性慢性疾患(MCC)はしばしば、患者の変更可能なリスク要因と、修正不可能なリスク要因と既存の状態との相互作用に依存する動的ネットワークを形成する。
本研究では,拡張カルマンフィルタ(EKF)に基づく非線形状態空間モデルを提案する。
また,慢性期発症の危険因子の変化が慢性期発症のリスクに与える影響を動的にモニタリングするテンソルコントロールチャートも開発した。
- 参考スコア（独自算出の注目度）: 3.0622288327079614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emergence and progression of multiple chronic conditions (MCC) over time
often form a dynamic network that depends on patient's modifiable risk factors
and their interaction with non-modifiable risk factors and existing conditions.
Continuous time Bayesian networks (CTBNs) are effective methods for modeling
the complex network of MCC relationships over time. However, CTBNs are not able
to effectively formulate the dynamic impact of patient's modifiable risk
factors on the emergence and progression of MCC. Considering a functional CTBN
(FCTBN) to represent the underlying structure of the MCC relationships with
respect to individuals' risk factors and existing conditions, we propose a
nonlinear state-space model based on Extended Kalman filter (EKF) to capture
the dynamics of the patients' modifiable risk factors and existing conditions
on the MCC evolution over time. We also develop a tensor control chart to
dynamically monitor the effect of changes in the modifiable risk factors of
individual patients on the risk of new chronic conditions emergence. We
validate the proposed approach based on a combination of simulation and real
data from a dataset of 385 patients from Cameron County Hispanic Cohort (CCHC)
over multiple years. The dataset examines the emergence of 5 chronic conditions
(Diabetes, Obesity, Cognitive Impairment, Hyperlipidemia, and Hypertension)
based on 4 modifiable risk factors representing lifestyle behaviors (Diet,
Exercise, Smoking Habit, and Drinking Habit) and 3 non-modifiable risk factors,
including demographic information (Age, Gender, Education). The results
demonstrate the effectiveness of the proposed methodology for dynamic
prediction and monitoring of the risk of MCC emergence in individual patients.
- Abstract（参考訳）: 複数の慢性疾患(mcc)の出現と進行は、患者の修正可能な危険因子とその非修正可能な危険因子および既存の状態との相互作用に依存する動的ネットワークを形成することが多い。
連続時間ベイズネットワーク(CTBN)は、MCC関係の複雑なネットワークを時間とともにモデル化する有効な手法である。
しかしCTBNは、MCCの出現と進行に対する患者の変更可能な危険因子の動的影響を効果的に定式化することはできない。
個人のリスク因子と既存条件に対するmcc関係の基盤構造を表現する機能的ctbn(fctbn)を考えると,拡張カルマンフィルタ(ekf)に基づく非線形状態空間モデルを提案し,mccの進化における患者の変化可能なリスク因子と既存の状態のダイナミクスを捉える。
また,慢性期発症の危険因子の変化が慢性期発症のリスクに与える影響を動的にモニタリングするテンソルコントロールチャートも開発した。
キャメロン郡ヒスパニック・コーホート(CCHC)の患者385名を対象に, シミュレーションと実データを組み合わせることで, 提案手法の有効性を検証した。
このデータセットは、生活習慣行動(ダイエット、運動、喫煙習慣、飲酒習慣)を表わす4つの要因と、人口統計情報(年齢、性別、教育)を含む3つの非修飾リスク因子に基づいて、5つの慢性疾患(糖尿病、肥満、認知障害、高脂血症、高血圧)の出現について検討する。
その結果, 個別患者のMCC発生リスクを動的に予測し, モニタリングする手法の有効性が示された。
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) - Petal-X: Human-Centered Visual Explanations to Improve Cardiovascular Risk Communication [1.4613744540785565]
本研究は臨床医が共有した意思決定を支援する新しいツールであるPetal-Xの設計と実装について述べる。
Petal-Xは、新しいビジュアライゼーション、Petal Product Plots、そしてSCORE2のテーラーメイドのグローバルサロゲートモデルに依存している。
論文 参考訳（メタデータ） (2024-06-26T18:48:50Z) - 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) - Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using
EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。
我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。
我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
論文 参考訳（メタデータ） (2023-08-17T03:46:23Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - A Model Predictive Control Functional Continuous Time Bayesian Network
for Self-Management of Multiple Chronic Conditions [2.147039214290188]
多発性慢性疾患(MCC)は現代における最大の課題の一つである。
MCCの患者は、新しい慢性疾患や死亡のリスクが高くなっている。
本稿では,ライフスタイルの変化の影響を調べるために,ベイジアンネットワークの予測制御関数型連続時間モデルを提案する。
論文 参考訳（メタデータ） (2022-05-26T21:28:25Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - 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) - 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。