論文の概要: Simple Recurrent Neural Networks is all we need for clinical events predictions using EHR data

• arxiv url: http://arxiv.org/abs/2110.00998v1
• Date: Sun, 3 Oct 2021 13:07:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:59:49.158590
• Title: Simple Recurrent Neural Networks is all we need for clinical events predictions using EHR data
• Title（参考訳）: EHRデータを用いた臨床イベント予測に必要なのは, シンプルなリカレントニューラルネットワークのみ
• Authors: Laila Rasmy, Jie Zhu, Zhiheng Li, Xin Hao, Hong Thoai Tran, Yujia Zhou, Firat Tiryaki, Yang Xiang, Hua Xu, Degui Zhi
• Abstract要約: リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、EHRに基づく臨床イベント予測モデルのための一般的なアーキテクチャである。 心不全の発症リスクと入院早期入院のリスクの2つの予測課題を用いた。 GRUやLSTMなどの単純なゲート付きRNNモデルでは,ベイズ最適化を適切に調整した場合に,しばしば競合する結果が得られることがわかった。
• 参考スコア（独自算出の注目度）: 22.81278657120305
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, there is great interest to investigate the application of deep learning models for the prediction of clinical events using electronic health records (EHR) data. In EHR data, a patient's history is often represented as a sequence of visits, and each visit contains multiple events. As a result, deep learning models developed for sequence modeling, like recurrent neural networks (RNNs) are common architecture for EHR-based clinical events predictive models. While a large variety of RNN models were proposed in the literature, it is unclear if complex architecture innovations will offer superior predictive performance. In order to move this field forward, a rigorous evaluation of various methods is needed. In this study, we conducted a thorough benchmark of RNN architectures in modeling EHR data. We used two prediction tasks: the risk for developing heart failure and the risk of early readmission for inpatient hospitalization. We found that simple gated RNN models, including GRUs and LSTMs, often offer competitive results when properly tuned with Bayesian Optimization, which is in line with similar to findings in the natural language processing (NLP) domain. For reproducibility, Our codebase is shared at https://github.com/ZhiGroup/pytorch_ehr.
• Abstract（参考訳）: 近年,EHR(Electronic Health Record)データを用いた臨床イベントの予測にディープラーニングモデルを応用することに大きな関心が寄せられている。 EHRデータでは、患者の履歴はしばしば訪問のシーケンスとして表現され、各訪問には複数のイベントが含まれている。 その結果、リカレントニューラルネットワーク(RNN)のようなシーケンスモデリングのために開発されたディープラーニングモデルは、EHRベースの臨床イベント予測モデルのための一般的なアーキテクチャである。 文献では様々なRNNモデルが提案されているが、複雑なアーキテクチャの革新が優れた予測性能を提供するかどうかは不明である。 この分野を前進させるためには、様々な手法の厳密な評価が必要である。 本研究では,ERHデータモデリングにおけるRNNアーキテクチャの徹底的なベンチマークを行った。 心不全の発症リスクと入院患者の早期退院リスクの2つの予測課題を用いた。 GRUやLSTMなどの単純なゲート付きRNNモデルでは,自然言語処理(NLP)領域の発見と類似したベイズ最適化が適切に調整された場合,しばしば競合する結果が得られることがわかった。 再現性のため、コードベースはhttps://github.com/zhigroup/pytorch_ehrで共有されます。

関連論文リスト

• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Learning to Adapt Clinical Sequences with Residual Mixture of Experts [12.881413375147996]
  全患者の複雑な動態を表現するために,Mixture-of-Experts (MoE)アーキテクチャを提案する。 アーキテクチャは、患者サブポピュレーションをカバーし、ベースモデルの予測を精査する複数の(専門的な)RNNモデルで構成されている。 一つのRNN予測と比較すると, AUPRC統計は4.1%向上した。
  論文  参考訳（メタデータ） (2022-04-06T09:23:12Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• ONE-NAS: An Online NeuroEvolution based Neural Architecture Search for Time Series Forecasting [3.3758186776249928]
  この研究は、Online NeuroEvolution based Neural Architecture Search (ONE-NAS)アルゴリズムを提示する。 ONE-NASは、オンライン環境で新しいリカレントニューラルネットワーク(RNN)を自動設計し、訓練することのできる、最初のニューラルネットワーク検索アルゴリズムである。 従来の統計時系列予測よりも優れており、ナイーブ、移動平均、指数的平滑化などが挙げられる。
  論文  参考訳（メタデータ） (2022-02-27T22:58:32Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Multimodal Learning for Cardiovascular Risk Prediction using EHR Data [0.9805331696863404]
  本稿では,医療用テキストと構造化臨床情報を統合した循環神経モデルを提案する。 BiLSTMモデルは、最後の完全に接続されたニューラルネットワークに適用する前に、単語の埋め込みを古典的な臨床予測者に埋め込む。 明らかな血管疾患または高リスクの心血管疾患を有する実世界の患者のデータセットで評価する。
  論文  参考訳（メタデータ） (2020-08-27T08:09:02Z)

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。