論文の概要: Time Series Prediction using Deep Learning Methods in Healthcare
- arxiv url: http://arxiv.org/abs/2108.13461v1
- Date: Mon, 30 Aug 2021 18:14:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 06:21:24.856014
- Title: Time Series Prediction using Deep Learning Methods in Healthcare
- Title（参考訳）: 深層学習手法を用いた医療における時系列予測
- Authors: Mohammad Amin Morid, Olivia R. Liu Sheng, Joseph Dunbar
- Abstract要約: 従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。
医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。
近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Traditional machine learning methods face two main challenges in dealing with
healthcare predictive analytics tasks. First, the high-dimensional nature of
healthcare data needs labor-intensive and time-consuming processes to select an
appropriate set of features for each new task. Secondly, these methods depend
on feature engineering to capture the sequential nature of patient data, which
may not adequately leverage the temporal patterns of the medical events and
their dependencies. Recent deep learning methods have shown promising
performance for various healthcare prediction tasks by addressing the
high-dimensional and temporal challenges of medical data. These methods can
learn useful representations of key factors (e.g., medical concepts or
patients) and their interactions from high-dimensional raw (or
minimally-processed) healthcare data. In this paper we systemically reviewed
studies focused on using deep learning as the prediction model to leverage
patient time series data for a healthcare prediction task from methodological
perspective. To identify relevant studies, MEDLINE, IEEE, Scopus and ACM
digital library were searched for studies published up to February 7th 2021. We
found that researchers have contributed to deep time series prediction
literature in ten research streams: deep learning models, missing value
handling, irregularity handling, patient representation, static data inclusion,
attention mechanisms, interpretation, incorporating medical ontologies,
learning strategies, and scalability. This study summarizes research insights
from these literature streams, identifies several critical research gaps, and
suggests future research opportunities for deep learning in patient time series
data.
- Abstract（参考訳）: 従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。
第一に、医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的で時間を要する。
第二に、これらの手法は、医療イベントとその依存関係の時間的パターンを適切に活用できない患者データのシーケンシャルな性質を捉える機能工学に依存している。
近年の深層学習手法は,医療データの高次元的・時間的課題に対処することで,様々な医療予測タスクに有望な性能を示した。
これらの方法は、重要な因子(例えば、医療概念や患者)の有用な表現と、その相互作用を高次元の生(または最小限に処理された)医療データから学習することができる。
本稿では,患者時系列データを活用するための予測モデルとしてディープラーニングを利用する研究を,方法論的観点から体系的にレビューした。
関連する研究を特定するため、2021年2月7日までにMEDLINE, IEEE, Scopus, ACMデジタルライブラリを検索した。
研究者らは、ディープラーニングモデル、バリューハンドリングの欠如、不規則処理、患者表現、静的データインクルージョン、注意機構、解釈、医療オントロジーの統合、学習戦略、スケーラビリティの10の研究ストリームにおいて、ディープ時系列予測の文献に寄与した。
本研究は、これらの文献の流れからの研究知見を要約し、いくつかの重要な研究ギャップを特定し、患者時系列データにおける深層学習の今後の研究機会を提案する。
関連論文リスト
- A Survey of Few-Shot Learning for Biomedical Time Series [3.845248204742053]
データ駆動型モデルは、臨床診断を支援し、患者のケアを改善する大きな可能性を秘めている。
ラベル付きデータの不足を克服する新たなアプローチは、人間のような能力でAIメソッドを拡張して、少数ショット学習と呼ばれる限られた例で新しいタスクを学ぶことだ。
本調査は,生物医学的時系列アプリケーションのための数ショット学習手法の総合的なレビューと比較を行う。
論文 参考訳（メタデータ） (2024-05-03T21:22:27Z) - Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳（メタデータ） (2024-02-02T00:31:01Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - Deep learning for temporal data representation in electronic health
records: A systematic review of challenges and methodologies [11.584972135829199]
一時的な電子健康記録は、臨床イベント予測や慢性疾患管理など、二次的な用途のための豊富な情報である。
我々は,2010年1月1日から2020年8月30日までに,構造化EHRデータにおける時間的データ表現に関する深層学習手法を報告した論文を求めた。
データ不規則性、データ不均一性、データの分散性、モデル不透明性を含む4つの大きな課題が特定された。
論文 参考訳（メタデータ） (2021-07-21T09:00:40Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal
Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。
我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。
本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文 参考訳（メタデータ） (2021-06-09T00:42:44Z) - A Review of Deep Learning Methods for Irregularly Sampled Medical Time
Series Data [7.735948372571363]
不規則サンプリング時系列(ISTS)データは、観測とシーケンス間の異なるサンプリング率の間に不規則な時間間隔を持つ。
EHRデータの深層学習法は、パーソナライズされた治療、正確な診断、医療管理に重要である。
本稿では,これらの深層学習手法を,技術とタスクの観点から概観する。
論文 参考訳（メタデータ） (2020-10-23T15:51:23Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。