論文の概要: DeepJoint: Robust Survival Modelling Under Clinical Presence Shift
- arxiv url: http://arxiv.org/abs/2205.13481v1
- Date: Thu, 26 May 2022 16:42:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-27 19:10:21.378902
- Title: DeepJoint: Robust Survival Modelling Under Clinical Presence Shift
- Title(参考訳): DeepJoint: 臨床状況の変化によるロバスト生存モデル
- Authors: Vincent Jeanselme, Glen Martin, Niels Peek, Matthew Sperrin, Brian Tom
and Jessica Barrett
- Abstract要約: 本稿では,生存率と平行な3つの臨床的存在次元をモデル化したリカレントニューラルネットワークを提案する。
予測タスクでは、これらの3つのプロセスの明示的なモデリングにより、最先端の予測モデルと比較して性能が向上した。
- 参考スコア(独自算出の注目度): 2.9745607433320926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Observational data in medicine arise as a result of the complex interaction
between patients and the healthcare system. The sampling process is often
highly irregular and itself constitutes an informative process. When using such
data to develop prediction models, this phenomenon is often ignored, leading to
sub-optimal performance and generalisability of models when practices evolve.
We propose a multi-task recurrent neural network which models three clinical
presence dimensions -- namely the longitudinal, the inter-observation and the
missingness processes -- in parallel to the survival outcome. On a prediction
task using MIMIC III laboratory tests, explicit modelling of these three
processes showed improved performance in comparison to state-of-the-art
predictive models (C-index at 1 day horizon: 0.878). More importantly, the
proposed approach was more robust to change in the clinical presence setting,
demonstrated by performance comparison between patients admitted on weekdays
and weekends. This analysis demonstrates the importance of studying and
leveraging clinical presence to improve performance and create more
transportable clinical models.
- Abstract(参考訳): 医学における観察データは、患者と医療システムの間の複雑な相互作用の結果生じる。
サンプリングプロセスは、しばしば非常に不規則であり、それ自体が情報的プロセスを構成する。
このようなデータを使用して予測モデルを開発する場合、この現象はしばしば無視され、プラクティスが進化するときにモデルの最適性能と一般化性に繋がる。
本研究では, 生存率に並行して, 前後, 観察間, 欠如過程という3つの臨床存在次元をモデル化するマルチタスクリカレントニューラルネットワークを提案する。
MIMIC III 実験による予測課題では, 現状予測モデル (C-index at 1 day horizon: 0.878) と比較して, これらの3つのプロセスの明示的モデリングにより性能が向上した。
さらに, 平日, 週末に入院した患者との比較により, 臨床的存在条件の変化に強い効果が認められた。
この分析は、臨床存在感を研究・活用し、パフォーマンスを改善し、より移動しやすい臨床モデルを作成することの重要性を示している。
関連論文リスト
- Personalized Event Prediction for Electronic Health Records [7.224184629864593]
臨床イベントシーケンスは、時間内の患者のケアの記録を表す数百の臨床イベントから構成される。
臨床シーケンスの予測モデルを学ぶ上で重要な課題は、患者固有の多様性である。
論文 参考訳(メタデータ) (2023-08-21T20:03:16Z) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2023-06-01T14:08:05Z) - Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis
Across Six Depression Treatment Studies [41.34047608276278]
神経回路モデルを用いてうつ病の薬理学的治療6治験のデータを解析した。
5種類のモノセラピーと3種類の併用療法に対して,寛解率と解離確率を分類し,個別解離確率を推定するモデルを構築した。
ポストホック分析は、トレーニング中に学んだ患者プロトタイプに基づいてクラスター(サブグループ)を得た。
論文 参考訳(メタデータ) (2023-03-24T14:34:09Z) - COPER: Continuous Patient State Perceiver [13.735956129637945]
本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。
ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。
提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
論文 参考訳(メタデータ) (2022-08-05T14:32:57Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - What Do You See in this Patient? Behavioral Testing of Clinical NLP
Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。
私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文 参考訳(メタデータ) (2021-11-30T15:52:04Z) - Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。
よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
論文 参考訳(メタデータ) (2020-12-11T16:27:04Z) - 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) - 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) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳(メタデータ) (2020-06-15T20:48:43Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z)
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。