論文の概要: A Model Predictive Control Functional Continuous Time Bayesian Network
for Self-Management of Multiple Chronic Conditions
- arxiv url: http://arxiv.org/abs/2205.13639v1
- Date: Thu, 26 May 2022 21:28:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 15:27:05.819353
- Title: A Model Predictive Control Functional Continuous Time Bayesian Network
for Self-Management of Multiple Chronic Conditions
- Title（参考訳）: 複数の慢性状態の自己管理のためのモデル予測制御関数型連続時間ベイズネットワーク
- Authors: Syed Hasib Akhter Faruqui, Adel Alaeddini, Jing Wang, Susan P
Fisher-Hoch, Joseph B Mccormick, and Julian Carvajal Rico
- Abstract要約: 多発性慢性疾患(MCC)は現代における最大の課題の一つである。
MCCの患者は、新しい慢性疾患や死亡のリスクが高くなっている。
本稿では,ライフスタイルの変化の影響を調べるために,ベイジアンネットワークの予測制御関数型連続時間モデルを提案する。
- 参考スコア（独自算出の注目度）: 2.147039214290188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple chronic conditions (MCC) are one of the biggest challenges of modern
times. The evolution of MCC follows a complex stochastic process that is
influenced by a variety of risk factors, ranging from pre-existing conditions
to modifiable lifestyle behavioral factors (e.g. diet, exercise habits, tobacco
use, alcohol use, etc.) to non-modifiable socio-demographic factors (e.g., age,
gender, education, marital status, etc.). People with MCC are at an increased
risk of new chronic conditions and mortality. This paper proposes a model
predictive control functional continuous time Bayesian network, an online
recursive method to examine the impact of various lifestyle behavioral changes
on the emergence trajectories of MCC and generate strategies to minimize the
risk of progression of chronic conditions in individual patients. The proposed
method is validated based on the Cameron county Hispanic cohort (CCHC) dataset,
which has a total of 385 patients. The dataset examines the emergence of 5
chronic conditions (diabetes, obesity, cognitive impairment, hyperlipidemia,
and hypertension) based on four modifiable risk factors representing lifestyle
behaviors (diet, exercise habits, tobacco use, alcohol use) and four
non-modifiable risk factors, including socio-demographic information (age,
gender, education, marital status). The proposed method is tested under
different scenarios (e.g., age group, the prior existence of MCC),
demonstrating the effective intervention strategies for improving the lifestyle
behavioral risk factors to offset MCC evolution.
- Abstract（参考訳）: 多発性慢性疾患(MCC)は現代における最大の課題の一つである。
MCCの進化は、様々なリスク要因に影響される複雑な確率的プロセスに従っており、既成の状況から、生活習慣、タバコの使用、アルコール使用など)変化可能なライフスタイルの行動要因(例えば、年齢、性別、教育、結婚状態など)まで様々である。
MCCの患者は、新しい慢性疾患や死亡のリスクが高くなっている。
本稿では,MCCの出現軌跡に対する生活習慣変化の影響をオンライン再帰的に検証し,慢性疾患の進行リスクを最小化するための戦略を生成するためのモデル予測制御機能型ベイジアンネットワークを提案する。
提案手法は,計385人の患者を対象とするキャメロン郡ヒスパニックコホート(CCHC)データセットに基づいて検証した。
このデータセットは、ライフスタイルの行動(食事、運動習慣、タバコの使用、アルコール使用)を表す4つの修飾リスク要因と、社会デコグラフィ情報(年齢、性別、教育、結婚状態)を含む4つの非修飾リスク要因に基づいて、5つの慢性状態(糖尿病、肥満、認知障害、高脂血症、高血圧)の出現を調査する。
提案手法は,MCCの進化を相殺するためのライフスタイルの行動リスク要因を改善するための効果的な介入戦略を実証し,異なるシナリオ(例えば,年齢群,MCCの以前の存在)で検証する。
関連論文リスト
- HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。
リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
論文 参考訳（メタデータ） (2024-10-19T18:52:18Z) - Unscrambling disease progression at scale: fast inference of event permutations with optimal transport [2.9087305408570945]
疾患進行モデルでは、慢性変性状態として、患者の特徴の変化の群レベルの時間的軌跡を推定する。
本研究では,Birkhoff polytopeに属する事象の潜在置換行列として,最適な輸送からモデル疾患進行へのアイデアを活用する。
実験は、シミュレーションにおけるノイズに対する速度、精度、堅牢性の増加を実証する。
論文 参考訳（メタデータ） (2024-10-18T11:44:29Z) - 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) - Petal-X: Human-Centered Visual Explanations to Improve Cardiovascular Risk Communication [1.4613744540785565]
本研究は臨床医が共有した意思決定を支援する新しいツールであるPetal-Xの設計と実装について述べる。
Petal-Xは、新しいビジュアライゼーション、Petal Product Plots、そしてSCORE2のテーラーメイドのグローバルサロゲートモデルに依存している。
論文 参考訳（メタデータ） (2024-06-26T18:48:50Z) - Deep Learning of Semi-Competing Risk Data via a New Neural
Expectation-Maximization Algorithm [5.253100011321437]
私たちのモチベーションはボストン肺がん研究(Boston Lung Cancer Study)から来ています。
本稿では,古典的統計的アプローチと機械学習のギャップを埋めるために,ニューラル予測最大化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-22T20:38:57Z) - 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) - Nonlinear State Space Modeling and Control of the Impact of Patients'
Modifiable Lifestyle Behaviors on the Emergence of Multiple Chronic
Conditions [3.0622288327079614]
多発性慢性疾患(MCC)はしばしば、患者の変更可能なリスク要因と、修正不可能なリスク要因と既存の状態との相互作用に依存する動的ネットワークを形成する。
本研究では,拡張カルマンフィルタ(EKF)に基づく非線形状態空間モデルを提案する。
また,慢性期発症の危険因子の変化が慢性期発症のリスクに与える影響を動的にモニタリングするテンソルコントロールチャートも開発した。
論文 参考訳（メタデータ） (2021-07-14T18:01:46Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。