論文の概要: Disability prediction in multiple sclerosis using performance outcome
measures and demographic data
- arxiv url: http://arxiv.org/abs/2204.03969v1
- Date: Fri, 8 Apr 2022 09:57:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-11 13:40:46.677696
- Title: Disability prediction in multiple sclerosis using performance outcome
measures and demographic data
- Title（参考訳）: 成績測定と人口統計を用いた多発性硬化症の障害予測
- Authors: Subhrajit Roy, Diana Mincu, Lev Proleev, Negar Rostamzadeh, Chintan
Ghate, Natalie Harris, Christina Chen, Jessica Schrouff, Nenad Tomasev,
Fletcher Lee Hartsell, Katherine Heller
- Abstract要約: 我々は,多次元,手頃な,物理的,スマートフォンによるパフォーマンス評価尺度(POM)を,人口統計と併用して,疾患の進行を予測する。
我々の知る限りでは、POMと人口統計データを用いて病気の進行を予測することが可能であることを初めて示す。
- 参考スコア（独自算出の注目度）: 8.85999610143128
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Literature on machine learning for multiple sclerosis has primarily focused
on the use of neuroimaging data such as magnetic resonance imaging and clinical
laboratory tests for disease identification. However, studies have shown that
these modalities are not consistent with disease activity such as symptoms or
disease progression. Furthermore, the cost of collecting data from these
modalities is high, leading to scarce evaluations. In this work, we used
multi-dimensional, affordable, physical and smartphone-based performance
outcome measures (POM) in conjunction with demographic data to predict multiple
sclerosis disease progression. We performed a rigorous benchmarking exercise on
two datasets and present results across 13 clinically actionable prediction
endpoints and 6 machine learning models. To the best of our knowledge, our
results are the first to show that it is possible to predict disease
progression using POMs and demographic data in the context of both clinical
trials and smartphone-base studies by using two datasets. Moreover, we
investigate our models to understand the impact of different POMs and
demographics on model performance through feature ablation studies. We also
show that model performance is similar across different demographic subgroups
(based on age and sex). To enable this work, we developed an end-to-end
reusable pre-processing and machine learning framework which allows quicker
experimentation over disparate MS datasets.
- Abstract（参考訳）: 多発性硬化症に対する機械学習に関する文献は、主に磁気共鳴画像や臨床検査などの神経画像データの使用に焦点を当てている。
しかし、これらのモダリティは症状や疾患の進行といった疾患活動と一致しないことが研究によって示されている。
さらに、これらのモダリティからデータを集めるコストが高いため、評価は不十分である。
本研究では,多次元,手頃な価格,物理的,スマートフォンによるパフォーマンス評価尺度(POM)と人口統計データを併用し,多発性硬化症の進行を予測する。
2つのデータセットで厳密なベンチマークを行い,13の臨床的に実行可能な予測エンドポイントと6つの機械学習モデルで結果を得た。
この結果から,POMと人口統計データを用いて2つのデータセットを用いて臨床治験およびスマートフォンベース研究の文脈で疾患の進行を予測することが可能であることを初めて明らかにした。
さらに,各POMと人口動態がモデル性能に与える影響について,特徴アブレーション研究を通じて検討した。
モデルのパフォーマンスは、年齢と性別に基づいて、異なるサブグループ間で同じであることも示しています。
この作業を可能にするために、異なるMSデータセットに対する迅速な実験を可能にする、エンドツーエンドで再利用可能な前処理および機械学習フレームワークを開発した。
関連論文リスト
- Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。
本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
論文 参考訳（メタデータ） (2024-06-18T17:22:55Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Predicting multiple sclerosis disease severity with multimodal deep
neural networks [10.599189568556508]
患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。
提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
論文 参考訳（メタデータ） (2023-04-08T16:23:18Z) - Unsupervised Pre-Training on Patient Population Graphs for Patient-Level
Predictions [48.02011627390706]
プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。
本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。
提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
論文 参考訳（メタデータ） (2022-03-23T17:59:45Z) - DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression
for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。
本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文 参考訳（メタデータ） (2022-03-17T05:42:00Z) - Modeling Disease Progression in Mild Cognitive Impairment and
Alzheimer's Disease with Digital Twins [0.0]
デジタル双生児は、実際の被験者とベースラインデータを共有する臨床記録のシミュレーションである。
我々はDigital Twinsが、さまざまな病気の重症度で臨床試験において、いくつかの重要なエンドポイントの進行を同時に捉える方法を示す。
論文 参考訳（メタデータ） (2020-12-24T22:29:47Z) - 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) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - 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)
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。