論文の概要: A Graph-based Imputation Method for Sparse Medical Records

• arxiv url: http://arxiv.org/abs/2111.09084v1
• Date: Wed, 17 Nov 2021 13:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 18:18:55.233629
• Title: A Graph-based Imputation Method for Sparse Medical Records
• Title（参考訳）: グラフによるスパース医療記録の計算法
• Authors: Ramon Vinas, Xu Zheng and Jer Hayes
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.136861161060886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic Medical Records (EHR) are extremely sparse. Only a small proportion of events (symptoms, diagnoses, and treatments) are observed in the lifetime of an individual. The high degree of missingness of EHR can be attributed to a large number of factors, including device failure, privacy concerns, or other unexpected reasons. Unfortunately, many traditional imputation methods are not well suited for highly sparse data and scale poorly to high dimensional datasets. In this paper, we propose a graph-based imputation method that is both robust to sparsity and to unreliable unmeasured events. Our approach compares favourably to several standard and state-of-the-art imputation methods in terms of performance and runtime. Moreover, results indicate that the model learns to embed different event types in a clinically meaningful way. Our work can facilitate the diagnosis of novel diseases based on the clinical history of past events, with the potential to increase our understanding of the landscape of comorbidities.
• Abstract（参考訳）: 電子カルテ(Electronic Medical Records, EHR)は、非常に希少である。 少数の出来事(シンポジウム、診断、治療)のみが個人の生涯で観察される。 EHRの欠落の程度は、デバイス障害、プライバシの懸念、その他の予期せぬ理由など、多数の要因に起因する可能性がある。 残念なことに、多くの従来の計算手法は高度にスパースなデータには適せず、高次元のデータセットには不十分である。 本稿では,不測な事象に対して頑健かつ信頼性の低いグラフベースの計算法を提案する。 私たちのアプローチは、パフォーマンスとランタイムの観点から、いくつかの標準および最先端のインプテーションメソッドと比較するのが好適です。 さらに,臨床的に有意な方法で異なるイベントタイプを組み込むことを学習することを示す。 本研究は,過去の症例の臨床経過に基づいて,新しい疾患の診断を促進するとともに,コンプレビティの展望に対する理解を深める可能性を秘めている。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)
• Temporal-spatial Correlation Attention Network for Clinical Data Analysis in Intensive Care Unit [27.885961694582896]
  本稿では,臨床特性予測問題に対処するための時間・適応相関注意ネットワーク(TSCAN)を提案する。 本手法は,アテンションメカニズムモデルの設計に基づいて,臨床データおよび無関係ノードにおける無関係項目を効果的に除去することができる。 また,治療方法の改善に有効な重要な結果を示す重要な臨床指標も見出すことができる。
  論文  参考訳（メタデータ） (2023-06-03T00:38:40Z)
• 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)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Identifying Stroke Indicators Using Rough Sets [0.7340017786387767]
  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。
  論文  参考訳（メタデータ） (2021-10-19T06:04:48Z)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• 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)
• 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)
• 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)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)

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。