論文の概要: A review on longitudinal data analysis with random forest in precision medicine

• arxiv url: http://arxiv.org/abs/2208.04112v1
• Date: Mon, 8 Aug 2022 13:10:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 12:40:31.402512
• Title: A review on longitudinal data analysis with random forest in precision medicine
• Title（参考訳）: 精密医療における無作為林を用いた縦断データ解析のレビュー
• Authors: Jianchang Hu and Silke Szymczak (Institute of Medical Biometry and Statistics, University of L\"ubeck, Germany)
• Abstract要約: 大規模オミクスデータは患者の特徴付けに有用であるが, 経時的に測定が変化し, 経時的データに繋がることが多い。 Random forestは、予測モデルを構築するための最先端の機械学習手法の1つである。 縦断データ解析のための標準ランダムフォレスト法の拡張について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precision medicine provides customized treatments to patients based on their characteristics and is a promising approach to improving treatment efficiency. Large scale omics data are useful for patient characterization, but often their measurements change over time, leading to longitudinal data. Random forest is one of the state-of-the-art machine learning methods for building prediction models, and can play a crucial role in precision medicine. In this paper, we review extensions of the standard random forest method for the purpose of longitudinal data analysis. Extension methods are categorized according to the data structures for which they are designed. We consider both univariate and multivariate responses and further categorize the repeated measurements according to whether the time effect is relevant. Information of available software implementations of the reviewed extensions is also given. We conclude with discussions on the limitations of our review and some future research directions.
• Abstract（参考訳）: 精密医療はその特徴に基づいて患者にカスタマイズされた治療を提供し、治療効率を改善するための有望なアプローチである。 大規模オミクスデータは患者の特徴付けに有用であるが, 経時的に測定が変化し, 経時的データに繋がることが多い。 ランダムフォレストは予測モデルを構築するための最先端の機械学習手法の1つであり、精密医療において重要な役割を果たす。 本稿では,縦断データ解析を目的とした標準ランダムフォレスト法の拡張について検討する。 拡張メソッドは、設計したデータ構造に従って分類される。 我々は,不平等反応と多変量応答の両方を考察し,時間効果が関連するかどうかにより,繰り返し測定を分類する。 レビューされた拡張機能の利用可能なソフトウェア実装に関する情報も提供される。 最後に、レビューの限界と今後の研究の方向性について議論する。

関連論文リスト

• A State-of-the-Art Review of Computational Models for Analyzing Longitudinal Wearable Sensor Data in Healthcare [1.7872597573698263]
  長期追跡は、数ヶ月のタイムスケールで定義されており、健康変化の指標としてパターンや変化の洞察を与えることができる。 これらの知見は、医療と医療をより予測し、予防し、パーソナライズし、参加しやすくする(The 4P's)。
  論文  参考訳（メタデータ） (2024-07-31T15:08:15Z)
• Sequential Inference of Hospitalization Electronic Health Records Using Probabilistic Models [3.2988476179015005]
  本研究では,入院電子健康記録(EHR)データに含まれる複数の任意長配列に対する確率的教師なしモデルの設計を行う。 このモデルは潜在変数構造を使用し、薬物、診断、実験室のテスト、神経学的評価、薬物の間の複雑な関係を捉えている。 推論アルゴリズムは、部分的データを用いて、その長さや特定の値の存在を含む完全なシーケンスの特性を推測する。
  論文  参考訳（メタデータ） (2024-03-27T21:06:26Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time [28.11470886127216]
  動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。 また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
  論文  参考訳（メタデータ） (2021-09-20T13:21:39Z)
• Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
  従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。 医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。 近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
  論文  参考訳（メタデータ） (2021-08-30T18:14:27Z)
• Probabilistic feature extraction, dose statistic prediction and dose mimicking for automated radiation therapy treatment planning [0.5156484100374058]
  線量関連量の予測不確実性を定量化する枠組みを提案する。 この情報は、自動放射線治療治療計画の文脈における線量模倣問題で活用することができます。
  論文  参考訳（メタデータ） (2021-02-24T21:35:44Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。