論文の概要: Identifying Stroke Indicators Using Rough Sets
- arxiv url: http://arxiv.org/abs/2110.10152v1
- Date: Tue, 19 Oct 2021 06:04:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 17:05:11.350491
- Title: Identifying Stroke Indicators Using Rough Sets
- Title（参考訳）: ラフ集合を用いたストローク指標の同定
- Authors: Muhammad Salman Pathan, Jianbiao Zhang, Deepu John, Avishek Nag, and
Soumyabrata Dev
- Abstract要約: そこで本研究では,脳卒中検出における各種EMHレコードの重要性をランキングする手法を提案する。
年齢, 平均血糖値, 心疾患, 高血圧が脳卒中検出の最も重要な要因であった。
- 参考スコア（独自算出の注目度）: 0.7340017786387767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stroke is widely considered as the second most common cause of mortality. The
adverse consequences of stroke have led to global interest and work for
improving the management and diagnosis of stroke. Various techniques for data
mining have been used globally for accurate prediction of occurrence of stroke
based on the risk factors that are associated with the electronic health care
records (EHRs) of the patients. In particular, EHRs routinely contain several
thousands of features and most of them are redundant and irrelevant that need
to be discarded to enhance the prediction accuracy. The choice of
feature-selection methods can help in improving the prediction accuracy of the
model and efficient data management of the archived input features. In this
paper, we systematically analyze the various features in EHR records for the
detection of stroke. We propose a novel rough-set based technique for ranking
the importance of the various EHR records in detecting stroke. Unlike the
conventional rough-set techniques, our proposed technique can be applied on any
dataset that comprises binary feature sets. We evaluated our proposed method in
a publicly available dataset of EHR, and concluded that age, average glucose
level, heart disease, and hypertension were the most essential attributes for
detecting stroke in patients. Furthermore, we benchmarked the proposed
technique with other popular feature-selection techniques. We obtained the best
performance in ranking the importance of individual features in detecting
stroke.
- Abstract（参考訳）: 脳卒中は死亡の2番目に多い原因と考えられている。
脳卒中による悪影響は、脳卒中の管理と診断を改善するための国際的関心と努力につながった。
データマイニングの様々な技術は、患者の電子医療記録(ehrs)に関連する危険因子に基づいて、脳卒中の発生を正確に予測するために世界中で用いられている。
特に、EHRは、通常、数千のフィーチャを含んでおり、そのほとんどは、予測精度を高めるために破棄される必要のある冗長で無関係である。
特徴選択手法の選択は、モデルの予測精度の向上と、アーカイブされた入力機能の効率的なデータ管理に役立つ。
本稿では,脳卒中検出のためのERHレコードの諸特徴を系統的に解析する。
そこで本研究では,脳卒中検出における各種EMHレコードの重要性をランキングする手法を提案する。
従来のラフセット手法とは異なり、提案手法はバイナリ特徴集合を含む任意のデータセットに適用できる。
提案法をehrの公開データセットで評価し, 年齢, 平均血糖値, 心臓病, 高血圧が脳卒中の検出に最も不可欠であると判断した。
さらに,提案手法を他の一般的な特徴選択手法とベンチマークした。
脳卒中検出における個々の特徴の重要性をランク付けする上で,最高の性能を得た。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - ERASE: Benchmarking Feature Selection Methods for Deep Recommender Systems [40.838320650137625]
本稿では,Deep Recommender Systems(DRS)のためのフェースセレクションのための包括的bEnchmaRkであるERASEについて述べる。
ERASEは11種類の特徴選択手法を徹底的に評価し、従来のアプローチとディープラーニングアプローチの両方をカバーしている。
私たちのコードは簡単に再現できる。
論文 参考訳（メタデータ） (2024-03-19T11:49:35Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:34:15Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - A predictive analytics approach for stroke prediction using machine
learning and neural networks [4.984181486695979]
本稿では,脳卒中予測のための電子健康記録の諸因子を系統的に分析する。
年齢、心臓病、平均血糖値、高血圧が脳卒中を検出する最も重要な要因である。
これら4つの属性を用いたパーセプトロンニューラルネットワークは、最高精度と最低ミス率を提供する。
論文 参考訳（メタデータ） (2022-03-01T14:45:15Z) - A Graph-based Imputation Method for Sparse Medical Records [3.136861161060886]
本稿では,不確実性や不確実性に頑健なグラフベースの計算法を提案する。
その結果,異なるイベントタイプを臨床的に有意義な方法で組み込むことが,モデルで学べることが示唆された。
論文 参考訳（メタデータ） (2021-11-17T13:06:08Z) - A Profile-Based Binary Feature Extraction Method Using Frequent Itemsets
for Improving Coronary Artery Disease Diagnosis [0.0]
本稿では、プロファイルベースバイナリ特徴抽出(PBBFE)と呼ばれる新しい特徴抽出手法を用いたCAD診断手法を提案する。
数値的な特徴を分割した後、Aprioriアルゴリズムにより頻繁な項目集合を抽出し、CAD診断精度を高めるために特徴として使用する。
提案手法はCAD分野において最もリッチなデータベースであるZ-Alizadeh Saniデータセット上で検証された。
論文 参考訳（メタデータ） (2021-09-22T18:33:45Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Curvature-based Feature Selection with Application in Classifying
Electronic Health Records [13.427883408828642]
より正確な診断を支援するための効率的な曲率に基づく特徴選択法を提案する。
4つのベンチマークヘルスケアデータセットで最新のパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-01-10T16:55:40Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - An efficient representation of chronological events in medical texts [9.118144540451514]
臨床ノートで利用可能な時系列イベントから学習するための体系的手法を提案した。
提案手法は,任意の種類の逐次イベントの非パラメトリック階層表現を生成する。
この手法は、英国で最大の中等医療精神保健 EHR データを用いて開発され、外部で検証された。
論文 参考訳（メタデータ） (2020-10-16T14:54:29Z)
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。