Fugu-MT 論文翻訳(概要): Mixture of Input-Output Hidden Markov Models for Heterogeneous Disease Progression Modeling

論文の概要: Mixture of Input-Output Hidden Markov Models for Heterogeneous Disease Progression Modeling

arxiv url: http://arxiv.org/abs/2207.11846v1
Date: Sun, 24 Jul 2022 23:17:06 GMT
ステータス: 処理完了
システム内更新日: 2022-07-26 13:36:27.557830
Title: Mixture of Input-Output Hidden Markov Models for Heterogeneous Disease Progression Modeling
Title（参考訳）: 不均一疾患進行モデルのための入力出力隠れマルコフモデルの混合
Authors: Taha Ceritli, Andrew P. Creagh, David A. Clifton
Abstract要約: 本稿では,多発性疾患の進行動態を検出する階層型時系列モデルを提案する。本稿では,パーキンソン病に対する合成データセットと実世界縦断データセットを用いたモデルの有用性について述べる。
参考スコア（独自算出の注目度）: 11.768140291216769
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A particular challenge for disease progression modeling is the heterogeneity of a disease and its manifestations in the patients. Existing approaches often assume the presence of a single disease progression characteristics which is unlikely for neurodegenerative disorders such as Parkinson's disease. In this paper, we propose a hierarchical time-series model that can discover multiple disease progression dynamics. The proposed model is an extension of an input-output hidden Markov model that takes into account the clinical assessments of patients' health status and prescribed medications. We illustrate the benefits of our model using a synthetically generated dataset and a real-world longitudinal dataset for Parkinson's disease.
Abstract（参考訳）: 疾患進行モデリングの特に課題は、疾患の不均一性とその患者における発現である。既存のアプローチでは、パーキンソン病のような神経変性疾患にはあり得ない単一の疾患進行特性の存在を想定することが多い。本稿では,複数の疾患進行ダイナミクスを探索する階層的時系列モデルを提案する。提案モデルは、患者の健康状態と処方薬の臨床的評価を考慮に入れた、入力出力隠れマルコフモデルの拡張である。本稿では,パーキンソン病に対する合成データセットと実世界縦断データセットを用いたモデルの有用性について述べる。

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)
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)
Time-dependent Probabilistic Generative Models for Disease Progression [0.0]
医療イベント間の不規則な時間間隔をモデル化するためのマルコフ的治療生成モデルを提案する。予測最大化アルゴリズムを用いてモデルを学習し,動的プログラミング法を用いて効率よく解法する。
論文参考訳（メタデータ） (2023-11-15T21:00:00Z)
Data-Driven Disease Progression Modelling [0.0]
データ駆動型疾患進行モデルがコンピュータ科学コミュニティから登場した。本章では、疾患の進行の理解と予測のためのユーティリティに焦点を当て、現場から選択したハイライトについて述べる。
論文参考訳（メタデータ） (2022-11-01T10:55:31Z)
Toward a multimodal multitask model for neurodegenerative diseases diagnosis and progression prediction [0.5735035463793008]
本稿では、アルツハイマー病の予測に使用されるモデルの様々なカテゴリを、それぞれの学習手法で概説する。それは、アルツハイマー病の進行を早期に予測し、検出する比較研究を確立している。最後に,ロバストかつ高精度な検出モデルを提案する。
論文参考訳（メタデータ） (2021-10-10T11:44:16Z)
Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文参考訳（メタデータ） (2021-06-05T11:42:45Z)
Neural Pharmacodynamic State Space Modeling [1.589915930948668]
本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。
論文参考訳（メタデータ） (2021-02-22T17:51:11Z)
Learning transition times in event sequences: the Event-Based Hidden Markov Model of disease progression [4.12857285066818]
我々は、イベントベースと隠れマルコフモデリングのアイデアを結びつけて、疾患進行の新しい生成モデルを作成する。我々のモデルは、限られたデータセットから最も可能性の高いグループレベルのシーケンスとイベントのタイミングを推測することができる。我々は,アルツハイマー病神経画像イニシアチブの臨床的,画像的,バイオ流体的データを用いて,我々のモデルの有効性と有用性を実証した。
論文参考訳（メタデータ） (2020-11-02T15:13:03Z)
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)
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)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。