論文の概要: Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG Time Series

• arxiv url: http://arxiv.org/abs/2111.06032v1
• Date: Thu, 11 Nov 2021 02:54:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 14:33:02.530981
• Title: Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG Time Series
• Title（参考訳）: 多変量脳波時系列における健康成果の早期予測
• Authors: Shubhranshu Shekhar, Dhivya Eswaran, Bryan Hooi, Jonathan Elmer, Christos Faloutsos, Leman Akoglu
• Abstract要約: この現実世界のアプリケーションに触発されたBeneFitterは、早期の予測から得られた貯蓄を注入し、誤分類から利益と呼ばれる統一されたドメイン固有ターゲットへとコストを落とします。 BeneFitterは効率的で高速で、トレーニング時間は入力シーケンス数で線形であり、意思決定のためにリアルタイムで動作することができる。
• 参考スコア（独自算出の注目度）: 37.15225732922409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given a cardiac-arrest patient being monitored in the ICU (intensive care unit) for brain activity, how can we predict their health outcomes as early as possible? Early decision-making is critical in many applications, e.g. monitoring patients may assist in early intervention and improved care. On the other hand, early prediction on EEG data poses several challenges: (i) earliness-accuracy trade-off; observing more data often increases accuracy but sacrifices earliness, (ii) large-scale (for training) and streaming (online decision-making) data processing, and (iii) multi-variate (due to multiple electrodes) and multi-length (due to varying length of stay of patients) time series. Motivated by this real-world application, we present BeneFitter that infuses the incurred savings from an early prediction as well as the cost from misclassification into a unified domain-specific target called benefit. Unifying these two quantities allows us to directly estimate a single target (i.e. benefit), and importantly, dictates exactly when to output a prediction: when benefit estimate becomes positive. BeneFitter (a) is efficient and fast, with training time linear in the number of input sequences, and can operate in real-time for decision-making, (b) can handle multi-variate and variable-length time-series, suitable for patient data, and (c) is effective, providing up to 2x time-savings with equal or better accuracy as compared to competitors.
• Abstract（参考訳）: 心停止患者がICU(集中治療室)で脳活動を監視している場合、できるだけ早く健康状態を予測するにはどうすればよいか。 早期意思決定は多くのアプリケーションにおいて重要であり、例えば、患者を監視することは早期介入や治療の改善に役立つ。 一方、脳波データの早期予測にはいくつかの課題がある。 (i)被服従不正確性トレードオフ;より多くのデータを観察することは、しばしば正確性を高め、被服従性を犠牲にする。 (ii)大規模(訓練用)とストリーミング(オンライン意思決定)データ処理、及び (3)多変量(複数の電極による)および多変量(患者の滞在時間の変化による)時系列。 この現実世界のアプリケーションに触発されたBeneFitterは、早期の予測から得られた貯蓄を注入し、誤分類から利益と呼ばれる統一されたドメイン固有ターゲットへとコストを落とします。 これら2つの量を統合することで、1つの目標(すなわち利益)を直接見積もることができる。 利子 (a)効率的かつ高速で、入力シーケンス数に線形なトレーニング時間を持ち、意思決定のためにリアルタイムで操作することができる。 (b)患者データに適した多変量および可変長時系列を扱うことができる。 (c) は有効であり、競合に比べて最大2倍の時間節約が可能となる。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• Predicting Unplanned Readmissions in the Intensive Care Unit: A Multimodality Evaluation [2.2559617939136505]
  退院は、ある期間内に退院した患者が、同じまたは関連するケアのために再び入院した場合である。 我々は、時系列分析と自然言語処理に最先端の機械学習アプローチを用いて、ICUにおける未計画の可読度を予測する。
  論文  参考訳（メタデータ） (2023-05-14T12:20:13Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Self-Supervised Predictive Coding with Multimodal Fusion for Patient Deterioration Prediction in Fine-grained Time Resolution [6.806410144139259]
  本稿では,自己教師型予測符号化とマルチモーダル融合に基づく時間ごとの予測手法を提案する。 広範囲な実験により,多モード融合と自己監督型予測正則化の両方による性能向上が証明された。
  論文  参考訳（メタデータ） (2022-10-29T13:34:55Z)
• Conformal Prediction Intervals with Temporal Dependence [40.282423098764404]
  横断予測は医療などの多くの領域で一般的である。 本稿では,時間列回帰における有効予測区間(PI)を横断的に構築する作業に着目する。
  論文  参考訳（メタデータ） (2022-05-25T17:45:04Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
  本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。 新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。 予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
  論文  参考訳（メタデータ） (2021-02-01T20:35:22Z)
• 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)

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。