論文の概要: Multimodal spatiotemporal graph neural networks for improved prediction
of 30-day all-cause hospital readmission
- arxiv url: http://arxiv.org/abs/2204.06766v1
- Date: Thu, 14 Apr 2022 05:50:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-16 00:32:48.473674
- Title: Multimodal spatiotemporal graph neural networks for improved prediction
of 30-day all-cause hospital readmission
- Title(参考訳): マルチモーダル時空間グラフニューラルネットワークによる30日間の病院通院予測の改善
- Authors: Siyi Tang, Amara Tariq, Jared Dunnmon, Umesh Sharma, Praneetha
Elugunti, Daniel Rubin, Bhavik N. Patel, Imon Banerjee
- Abstract要約: 本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。
MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。
心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
- 参考スコア(独自算出の注目度): 4.609543591101764
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Measures to predict 30-day readmission are considered an important quality
factor for hospitals as accurate predictions can reduce the overall cost of
care by identifying high risk patients before they are discharged. While recent
deep learning-based studies have shown promising empirical results on
readmission prediction, several limitations exist that may hinder widespread
clinical utility, such as (a) only patients with certain conditions are
considered, (b) existing approaches do not leverage data temporality, (c)
individual admissions are assumed independent of each other, which is
unrealistic, (d) prior studies are usually limited to single source of data and
single center data. To address these limitations, we propose a multimodal,
modality-agnostic spatiotemporal graph neural network (MM-STGNN) for prediction
of 30-day all-cause hospital readmission that fuses multimodal in-patient
longitudinal data. By training and evaluating our methods using longitudinal
chest radiographs and electronic health records from two independent centers,
we demonstrate that MM-STGNN achieves AUROC of 0.79 on both primary and
external datasets. Furthermore, MM-STGNN significantly outperforms the current
clinical reference standard, LACE+ score (AUROC=0.61), on the primary dataset.
For subset populations of patients with heart and vascular disease, our model
also outperforms baselines on predicting 30-day readmission (e.g., 3.7 point
improvement in AUROC in patients with heart disease). Lastly, qualitative model
interpretability analysis indicates that while patients' primary diagnoses were
not explicitly used to train the model, node features crucial for model
prediction directly reflect patients' primary diagnoses. Importantly, our
MM-STGNN is agnostic to node feature modalities and could be utilized to
integrate multimodal data for triaging patients in various downstream resource
allocation tasks.
- Abstract(参考訳): 正確な予測は退院前にリスクの高い患者を特定することによって全体のケアコストを削減できるため、30日間の入院の予測は病院にとって重要な品質要因であると考えられている。
近年の深層学習に基づく研究は、寛容予測に有望な実験結果を示しているが、幅広い臨床効果を妨げるいくつかの制限が存在する。
(a)特定の状態の患者のみが考慮される。
(b)既存のアプローチは、データの時間性を利用しない。
(c)個別の入場は互いに独立しており、非現実的である。
d) 先行研究は通常、単一のデータソースと単一のセンターデータに限定される。
これらの制約に対処するため, マルチモーダル・モダリティ非依存型時空間グラフニューラルネットワーク (MM-STGNN) を提案する。
縦断的胸部X線写真と電子健康記録を用いて, MM-STGNNが一次データと外部データの両方で0.79のAUROCを達成することを実証した。
さらに、MM-STGNNは、一次データセットにおいて、現在の臨床基準であるLACE+スコア(AUROC=0.61)を大きく上回っている。
心臓疾患および血管疾患患者のサブセットでは,30日間の寛解(心疾患におけるAUROCの3.7ポイント改善など)の予測において,ベースラインを上回った。
最後に、定性的モデル解釈可能性分析により、患者の一次診断はモデルトレーニングに明示的に使用されなかったが、モデルの予測に重要なノードの特徴は患者の一次診断を直接反映していることが示唆された。
重要なことは,我々のMM-STGNNはノードの特徴量に非依存であり,様々な下流資源割り当てタスクにおいて患者をトリアージするためのマルチモーダルデータの統合に利用することができる。
関連論文リスト
- DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。
3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
論文 参考訳(メタデータ) (2024-10-22T18:56:31Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-07-24T04:47:36Z) - Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6~36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳(メタデータ) (2024-03-11T17:26:18Z) - 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) - Deterioration Prediction using Time-Series of Three Vital Signs and
Current Clinical Features Amongst COVID-19 Patients [6.1594622252295474]
今後3~24時間で患者が悪化するかどうかを予測できる予後モデルを構築した。
このモデルは、(a)酸素飽和度、(b)心拍数、(c)温度という、通常の三進的なバイタルサインを処理する。
ニューヨーク・ラングーン・ヘルスで37,006人のCOVID-19患者から収集したデータを用いて、モデルを訓練し、評価した。
論文 参考訳(メタデータ) (2022-10-12T02:53:43Z) - Advances in Prediction of Readmission Rates Using Long Term Short Term
Memory Networks on Healthcare Insurance Data [1.454498931674109]
30日間の入院は長期にわたる医療問題であり、患者の死亡率や死亡率に影響を与え、年間数十億ドルの費用がかかる。
我々は、簡単に利用可能な保険データを利用できる双方向長短メモリ(LSTM)ネットワークを開発した。
以上の結果から, 機械学習モデルにより, 全患者に対して妥当な精度で入院リスクを予測できることが示唆された。
論文 参考訳(メタデータ) (2022-06-30T19:07:10Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2020-02-06T16:39:44Z)
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。