論文の概要: Looking for Out-of-Distribution Environments in Critical Care: A case study with the eICU Database

• arxiv url: http://arxiv.org/abs/2205.13398v1
• Date: Thu, 26 May 2022 14:46:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 14:22:17.579322
• Title: Looking for Out-of-Distribution Environments in Critical Care: A case study with the eICU Database
• Title（参考訳）: 重度医療におけるアウト・オブ・ディストリビューション環境を探る:eICUデータベースを用いた事例研究
• Authors: Dimitris Spathis, Stephanie L. Hyland
• Abstract要約: 機械学習における新しい人口と領域への一般化は、近年関心が高まっているオープンな問題である。 近年提案されている領域一般化モデルでは,環境間の不変特性を学習することでこの問題を軽減することが期待されている。 批判的ケアにおけるクロスホスピタルなパフォーマンスの一般化の問題に動機づけられた配電環境の特定に基本的アプローチを採る。
• 参考スコア（独自算出の注目度）: 4.915029686150194
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generalizing to new populations and domains in machine learning is still an open problem which has seen increased interest recently. In particular, clinical models show a significant performance drop when tested in settings not seen during training, e.g., new hospitals or population demographics. Recently proposed models for domain generalisation promise to alleviate this problem by learning invariant characteristics across environments, however, there is still scepticism about whether they improve over traditional training. In this work, we take a principled approach to identifying Out of Distribution (OoD) environments, motivated by the problem of cross-hospital generalization in critical care. We propose model-based and heuristic approaches to identify OoD environments and systematically compare models with different levels of held-out information. In particular, based on the assumption that models with access to OoD data should outperform other models, we train models across a range of experimental setups that include leave-one-hospital-out training and cross-sectional feature splits. We find that access to OoD data does not translate to increased performance, pointing to inherent limitations in defining potential OoD environments in the eICU Database potentially due to data harmonisation and sampling. Echoing similar results with other popular clinical benchmarks in the literature, new approaches are required to evaluate robust models in critical care.
• Abstract（参考訳）: 機械学習における新しい人口と領域への一般化は、近年関心が高まっているオープンな問題である。 特に、臨床モデルでは、訓練中に見られない状況(例えば、新しい病院や人口統計)でテストした場合、大幅なパフォーマンス低下を示す。 最近提案されたドメイン一般化モデルでは、環境にまたがる不変特性を学習することでこの問題を緩和することを約束しているが、従来のトレーニングよりも改善されるかどうかについては懐疑的である。 本研究では,批判ケアにおけるクロスホスピタル一般化の問題に起因して,OoD(Out of Distribution)環境の同定に原則的アプローチを採る。 我々は,OoD環境を同定するためのモデルベースおよびヒューリスティックなアプローチを提案し,異なるレベルの保持情報を持つモデルと体系的に比較する。 特に、OoDデータにアクセス可能なモデルが他のモデルより優れているという仮定に基づいて、私たちは、出発点のホスピタルアウトトレーニングや横断的な機能分割を含む、さまざまな実験的なセットアップでモデルをトレーニングします。 我々は,OoDデータへのアクセスが,データ調和とサンプリングのため,eICUデータベース内の潜在的OoD環境の定義に固有の制限を指摘し,性能向上に寄与しないことを見出した。 文献における他の人気のある臨床ベンチマークと類似した結果を示すために、批判的治療における堅牢なモデルを評価する新しいアプローチが必要である。

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)
• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• 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)
• On the Importance of Clinical Notes in Multi-modal Learning for EHR Data [0.0]
  電子健康記録データと臨床ノートを併用することにより,患者モニタリングの予測性能が向上することが従来研究で示されている。 EHRデータと臨床ノートを組み合わせることで、最先端のEHRデータモデルよりもパフォーマンスが大幅に向上することを確認した。 次に、臨床医のメモよりも、患者の状態に関するより広い文脈を含むメモのサブセットから、改善がほぼ排他的に生じることを示す分析を行った。
  論文  参考訳（メタデータ） (2022-12-06T15:18:57Z)
• Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
  CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。 提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2022-09-03T04:10:45Z)
• A comparison of approaches to improve worst-case predictive model performance over patient subpopulations [14.175321968797252]
  患者において平均的に正確な臨床結果の予測モデルは、いくつかのサブ集団に対して劇的に過小評価される可能性がある。 サブポピュレーションに対する解離および最悪の性能を一貫して改善するモデル開発と選択のアプローチを同定する。 本研究は, 比較的少数の例外を除いて, 標準学習法よりも, 患者サブポピュレーションに対するアプローチが優れていることが確認された。
  論文  参考訳（メタデータ） (2021-08-27T13:10:00Z)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• 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。