論文の概要: Longitudinal patient stratification of electronic health records with flexible adjustment for clinical outcomes

• arxiv url: http://arxiv.org/abs/2111.06152v1
• Date: Thu, 11 Nov 2021 11:21:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 14:32:22.132985
• Title: Longitudinal patient stratification of electronic health records with flexible adjustment for clinical outcomes
• Title（参考訳）: 臨床結果に対するフレキシブル調整による電子健康記録の経時的成層化
• Authors: Oliver Carr, Avelino Javer, Patrick Rockenschaub, Owen Parsons, Robert D\"urichen
• Abstract要約: 我々は、再構成、結果、クラスタリング損失を用いて、ERHデータをクラスタリングするリカレントニューラルネットワークオートエンコーダを開発する。 糖尿病患者29,229ドルの患者を対象に,異なる軌跡と異なる結果の患者集団のモデル性能を実証した。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increase in availability of longitudinal electronic health record (EHR) data is leading to improved understanding of diseases and discovery of novel phenotypes. The majority of clustering algorithms focus only on patient trajectories, yet patients with similar trajectories may have different outcomes. Finding subgroups of patients with different trajectories and outcomes can guide future drug development and improve recruitment to clinical trials. We develop a recurrent neural network autoencoder to cluster EHR data using reconstruction, outcome, and clustering losses which can be weighted to find different types of patient clusters. We show our model is able to discover known clusters from both data biases and outcome differences, outperforming baseline models. We demonstrate the model performance on $29,229$ diabetes patients, showing it finds clusters of patients with both different trajectories and different outcomes which can be utilized to aid clinical decision making.
• Abstract（参考訳）: 縦断的電子健康記録(EHR)データの利用率の増加は、疾患の理解の向上と新しい表現型の発見につながっている。 クラスタリングアルゴリズムの大半は患者軌跡のみに焦点を当てているが、類似した軌跡を持つ患者は異なる結果をもたらす可能性がある。 軌跡や結果の異なる患者のサブグループを見つけることは、将来の薬物開発を導き、臨床試験への採用を改善することができる。 我々は、再建、結果、クラスタリング損失を用いて、ERHデータをクラスタリングするための繰り返しニューラルネットワークオートエンコーダを開発し、異なるタイプの患者クラスタを見つけるために重み付けできる。 我々のモデルは、データバイアスと結果差の両方から既知のクラスタを発見でき、ベースラインモデルより優れています。 我々は,29,229ドルの糖尿病患者に対するモデル性能を実証し,臨床的意思決定の助けとなりうる,軌跡の異なる患者群と結果の異なる患者群を見出した。

関連論文リスト

• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Mixture Model Framework for Traumatic Brain Injury Prognosis Using Heterogeneous Clinical and Outcome Data [3.7363119896212478]
  TBIに関連する大きな異種データ型をモデル化する手法を開発する。 このモデルは、人口統計、血液ベースのバイオマーカー、画像検出など、さまざまなデータタイプを含むデータセットでトレーニングされます。 教師なしの学習環境で患者を別々のグループに成層するために使用されます。
  論文  参考訳（メタデータ） (2020-12-22T19:31:03Z)
• 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)
• 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)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)

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。