論文の概要: Synthetic Acute Hypotension and Sepsis Datasets Based on MIMIC-III and
Published as Part of the Health Gym Project
- arxiv url: http://arxiv.org/abs/2112.03914v1
- Date: Tue, 7 Dec 2021 07:21:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-10 05:02:44.287552
- Title: Synthetic Acute Hypotension and Sepsis Datasets Based on MIMIC-III and
Published as Part of the Health Gym Project
- Title(参考訳): mimic-iiiに基づく合成急性血圧低下と敗血症データセットの作成と健康体育館プロジェクトの一環としての公開
- Authors: Nicholas I-Hsien Kuo, Mark Polizzotto, Simon Finfer, Louisa Jorm,
Sebastiano Barbieri
- Abstract要約: データはGeneversarative Adrial Networks (GANs) とMIMIC-III Clinical Databaseを用いて作成した。
これらのデータ公開に伴う個人情報開示のリスクは非常に低い (0.045%) と推定された。
- 参考スコア(独自算出の注目度): 0.7499722271664145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: These two synthetic datasets comprise vital signs, laboratory test results,
administered fluid boluses and vasopressors for 3,910 patients with acute
hypotension and for 2,164 patients with sepsis in the Intensive Care Unit
(ICU). The patient cohorts were built using previously published inclusion and
exclusion criteria and the data were created using Generative Adversarial
Networks (GANs) and the MIMIC-III Clinical Database. The risk of identity
disclosure associated with the release of these data was estimated to be very
low (0.045%). The datasets were generated and published as part of the Health
Gym, a project aiming to publicly distribute synthetic longitudinal health data
for developing machine learning algorithms (with a particular focus on offline
reinforcement learning) and for educational purposes.
- Abstract(参考訳): これらの2つの合成データセットは, 急性低血圧患者3,910例, ICU患者2,164例に対して, バイタルサイン, 検査結果, 投与液中ボースおよび血管圧薬を含む。
患者コホートは以前に公表された包括的包括的・排他的基準を用いて構築され,そのデータはGAN(Generative Adversarial Networks)とMIMIC-III Clinical Databaseを用いて作成された。
これらのデータ公開に伴うアイデンティティ開示のリスクは非常に低い (0.045%) と推定された。
データセットはhealth gymの一部として生成され、公開され、機械学習アルゴリズム(特にオフライン強化学習に焦点を当てた)と教育目的のための合成縦断健康データを一般に配布することを目的としている。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Evaluation of the Synthetic Electronic Health Records [3.255030588361125]
本研究は、合成データセットのサンプルワイズ評価のための類似性と特異性という2つの指標を概説する。
本研究は,Cystic Fibrosis (CF) 患者の電子的健康記録を合成するために,いくつかの最先端の遺伝子モデルを用いて提案された概念を実証する。
論文 参考訳(メタデータ) (2022-10-16T22:46:08Z) - Prediction of drug effectiveness in rheumatoid arthritis patients based
on machine learning algorithms [2.5759046095742453]
慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。
機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。
本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
論文 参考訳(メタデータ) (2022-10-14T15:15:37Z) - The Health Gym: Synthetic Health-Related Datasets for the Development of
Reinforcement Learning Algorithms [2.032684842401705]
Health Gymは、機械学習アルゴリズムのプロトタイプ、評価、比較に自由にアクセス可能な、合成医療データセットのコレクションである。
このデータセットはGAN(Generative Adversarial Network)を用いて作成された。
合成データセットの公開分布に関連する機密情報開示のリスクは非常に低いと推定される。
論文 参考訳(メタデータ) (2022-03-12T07:28:02Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Generation of Synthetic Electronic Health Records Using a Federated GAN [1.933681537640272]
実世界の電子健康記録(EHR)に基づいてGAN(Generative Adversarial Network)を訓練した。
その後、使用制限を回避するために「フェイク」患者のデータセットを作成するために使用された。
論文 参考訳(メタデータ) (2021-09-06T15:29:15Z) - 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) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳(メタデータ) (2021-02-08T15:09:07Z) - Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of
Heart Failure Patients [50.48904066814385]
本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。
ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。
提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
論文 参考訳(メタデータ) (2020-12-24T12:56:46Z) - Longitudinal modeling of MS patient trajectories improves predictions of
disability progression [2.117653457384462]
本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。
本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。
文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
論文 参考訳(メタデータ) (2020-11-09T20:48:00Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z)
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。