論文の概要: Clustering of Pain Dynamics in Sickle Cell Disease from Sparse, Uneven Samples

• arxiv url: http://arxiv.org/abs/2108.13963v1
• Date: Tue, 31 Aug 2021 16:43:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 15:44:19.958168
• Title: Clustering of Pain Dynamics in Sickle Cell Disease from Sparse, Uneven Samples
• Title（参考訳）: スパース, 不均一試料からのシックル細胞病における痛覚動態のクラスタリング
• Authors: Gary K. Nave Jr., Swati Padhee, Amanuel Alambo, Tanvi Banerjee, Nirmish Shah, Daniel M. Abrams
• Abstract要約: スペクトルクラスタリングに適用可能なデータアライメントの4つの手法を提案し,評価する。 不規則にサンプリングされたスパースデータセットを整列させる異なる手法が、クラスタの最適な数に繋がることを発見した。 1)急性痛を伴う低痛群,(2)中等度な平均痛を呈する群,(3)持続性高痛を呈する群,である。
• 参考スコア（独自算出の注目度）: 2.1288381744901157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Irregularly sampled time series data are common in a variety of fields. Many typical methods for drawing insight from data fail in this case. Here we attempt to generalize methods for clustering trajectories to irregularly and sparsely sampled data. We first construct synthetic data sets, then propose and assess four methods of data alignment to allow for application of spectral clustering. We also repeat the same process for real data drawn from medical records of patients with sickle cell disease -- patients whose subjective experiences of pain were tracked for several months via a mobile app. We find that different methods for aligning irregularly sampled sparse data sets can lead to different optimal numbers of clusters, even for synthetic data with known properties. For the case of sickle cell disease, we find that three clusters is a reasonable choice, and these appear to correspond to (1) a low pain group with occasionally acute pain, (2) a group which experiences moderate mean pain that fluctuates often from low to high, and (3) a group that experiences persistent high levels of pain. Our results may help physicians and patients better understand and manage patients' pain levels over time, and we expect that the methods we develop will apply to a wide range of other data sources in medicine and beyond.
• Abstract（参考訳）: 不規則にサンプリングされた時系列データは様々な分野で一般的である。 この場合、データから洞察を引き出す典型的な方法は失敗する。 本稿では,軌道のクラスタリング手法を不規則かつ疎サンプルデータに一般化する。 まず,合成データセットを構築し,スペクトルクラスタリングの適用を可能にするために,データアライメントの4つの手法を提案し評価する。 また、モバイルアプリを通じて、痛みの主観的な経験を数ヶ月にわたって追跡した患者の医療記録から得られた実際のデータについても、同じプロセスを繰り返す。 不規則にサンプリングされたスパースデータセットを整列させる異なる手法は、既知の性質を持つ合成データであっても、クラスタの最適な数に繋がる可能性がある。 シックル細胞病の場合、3つのクラスターが合理的な選択であり、(1)急性痛を伴う低痛群、(2)低痛度から高痛度に変動する中程度の平均痛みを経験する群、(3)持続的な高痛みを経験する群に対応していると考えられる。 今回の結果は,医師や患者が患者の痛みレベルをより深く理解し,管理するのに役立つかもしれない。

関連論文リスト

• Pain Forecasting using Self-supervised Learning and Patient Phenotyping: An attempt to prevent Opioid Addiction [0.3749861135832073]
  シックル細胞病(Sickle Cell Disease)を治療するためには、将来の患者の痛みの軌跡を予測することが不可欠である。 主に患者の自己申告によって記録されるので,多くの痛み記録を入手して予測モデルを設計することは困難である。 本稿では、時系列データをクラスタリングするための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-09T18:31:50Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Predicting Survival Outcomes in the Presence of Unlabeled Data [0.0]
  このようなラベルのないデータインスタンスを組み込むことで、正確な生存時間を予測できるかどうかを検討する。 本研究は, この新たな設定に対処するための3つのアプローチを提案し, 実生活臨床および遺伝子発現生存データセットを比較検討した。
  論文  参考訳（メタデータ） (2022-10-25T10:19:45Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease [3.1564542805009332]
  当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。 本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T01:18:33Z)
• Longitudinal modeling of MS patient trajectories improves predictions of disability progression [2.117653457384462]
  本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。 本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。 文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
  論文  参考訳（メタデータ） (2020-11-09T20:48:00Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。