論文の概要: Constrained tensor factorization for computational phenotyping and
mortality prediction in patients with cancer
- arxiv url: http://arxiv.org/abs/2112.12933v1
- Date: Fri, 24 Dec 2021 04:01:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-29 17:15:08.830298
- Title: Constrained tensor factorization for computational phenotyping and
mortality prediction in patients with cancer
- Title(参考訳): 癌患者の計算表現型と死亡予測のための制約付きテンソル因子分解
- Authors: Francisco Y Cai, Chengsheng Mao, Yuan Luo
- Abstract要約: 計算表現型を導出するために制約付きテンソル因子化を適用する。
乳癌,前立腺癌,大腸癌,肺癌のコホート死亡率について検討した。
- 参考スコア(独自算出の注目度): 6.5530318775587
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: The increasing adoption of electronic health records (EHR) across
the US has created troves of computable data, to which machine learning methods
have been applied to extract useful insights. EHR data, represented as a
three-dimensional analogue of a matrix (tensor), is decomposed into
two-dimensional factors that can be interpreted as computational phenotypes.
Methods: We apply constrained tensor factorization to derive computational
phenotypes and predict mortality in cohorts of patients with breast, prostate,
colorectal, or lung cancer in the Northwestern Medicine Enterprise Data
Warehouse from 2000 to 2015. In our experiments, we examined using a supervised
term in the factorization algorithm, filtering tensor co-occurrences by medical
indication, and incorporating additional social determinants of health (SDOH)
covariates in the factorization process. We evaluated the resulting
computational phenotypes qualitatively and by assessing their ability to
predict five-year mortality using the area under the curve (AUC) statistic.
Results: Filtering by medical indication led to more concise and interpretable
phenotypes. Mortality prediction performance (AUC) varied under the different
experimental conditions and by cancer type (breast: 0.623 - 0.694, prostate:
0.603 - 0.750, colorectal: 0.523 - 0.641, and lung: 0.517 - 0.623). Generally,
prediction performance improved with the use of a supervised term and the
incorporation of SDOH covariates. Conclusion: Constrained tensor factorization,
applied to sparse EHR data of patients with cancer, can discover computational
phenotypes predictive of five-year mortality. The incorporation of SDOH
variables into the factorization algorithm is an easy-to-implement and
effective way to improve prediction performance.
- Abstract(参考訳): 背景: 米国で電子健康記録(EHR)の採用が増加していることで、計算可能なデータのトロブが生まれ、機械学習が有用な洞察を抽出するために応用されている。
EHRデータは、行列(テンソル)の3次元アナログとして表現され、計算表現型として解釈できる2次元因子に分解される。
方法:2000年から2015年までノースウェスタン医科大学データウェアハウスにおける乳がん,前立腺がん,大腸癌,肺癌患者の計算表現型を導出し,コホート死亡率を予測するために,制約テンソル因子化を適用した。
本実験では,因子化アルゴリズムにおける教師付き用語の使用,医療指標によるテンソル共起のフィルタリング,および因子化過程における社会決定因子(SDOH)の添加について検討した。
得られた計算表現型を定性的に評価し,曲線(AUC)統計に基づく5年間の死亡予測能力を評価した。
結果: 医学的指標によるフィルタリングにより, より簡潔で解釈可能な表現型が得られた。
死亡予測性能(auc)は、実験条件やがんの種類によって異なっていた(例: 0.623 - 0.694, 前立腺: 0.603 - 0.750, 大腸: 0.523 - 0.641, 肺: 0.517 - 0.623)。
一般に、教師付き項とSDOH共変量の導入により予測性能が向上した。
結論: がん患者のスパースEHRデータに適用された制約テンソル因子化は, 5年間の死亡を予測できる計算表現型を発見することができる。
因子化アルゴリズムにSDOH変数を組み込むことは、予測性能を向上させるための簡単で効果的な方法である。
関連論文リスト
- Kernel Cox partially linear regression: building predictive models for
cancer patients' survival [4.230753712933184]
我々はカーネルCox比例ハザード半パラメトリックモデルを構築し、モデルに適合する新しい正規化ニンジン化カーネルマシン(RegGKM)を提案する。
我々はカーネルマシン法を用いて生存率と予測値の複雑な関係を記述し、無関係なパラメトリックおよび非パラメトリック予測値を自動的に除去する。
この結果は、患者を異なる死亡リスクを持つグループに分類し、より良い臨床結果を得るために治療を促進するのに役立つ。
論文 参考訳(メタデータ) (2023-10-11T04:27:54Z) - 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) - Survival Prediction from Imbalance colorectal cancer dataset using
hybrid sampling methods and tree-based classifiers [0.0]
本稿では,大腸癌患者の1年,3年,5年生存率を予測するアルゴリズムの開発に焦点をあてる。
そこで本研究では,正の正の確率を高めるために,標準バランス手法のパイプラインを生成する手法を提案する。
本手法は大腸癌患者の死亡率予測を有意に改善する。
論文 参考訳(メタデータ) (2023-09-04T19:48:56Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文 参考訳(メタデータ) (2022-05-10T16:22:16Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Inference for High Dimensional Censored Quantile Regression [8.993036560782137]
本稿では,グローバルに検閲された量子レグレッションの枠組みの中で,すべての予測子を推論する新しい手法を提案する。
提案手法は,高次元設定における推定の不確かさを適切に定量化できることを示す。
肺がん経路に居住するSNPが患者の生存に及ぼす影響を解析するために本法を適用した。
論文 参考訳(メタデータ) (2021-07-22T23:57:06Z) - 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) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳(メタデータ) (2020-08-10T02:44:52Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳(メタデータ) (2020-05-07T12:16:37Z)
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。