論文の概要: Random survival forests for competing risks with multivariate
longitudinal endogenous covariates
- arxiv url: http://arxiv.org/abs/2208.05801v1
- Date: Thu, 11 Aug 2022 12:58:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:12:23.540304
- Title: Random survival forests for competing risks with multivariate
longitudinal endogenous covariates
- Title（参考訳）: 多変量縦型内因性共変量の競合リスクに対するランダムサバイバルフォレスト
- Authors: Anthony Devaux (BPH), Catherine Helmer (BPH), Carole Dufouil (BPH),
Robin Genuer (BPH, SISTM), C\'ecile Proust-Lima (BPH)
- Abstract要約: 本稿では,多数の長手予測器を用いて事象の確率を予測する革新的な手法を提案する。
DynForestは、内因性縦予測器を扱う競合するリスクのためのランダムサバイバル森林の拡張である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the individual risk of a clinical event using the complete patient
history is still a major challenge for personalized medicine. Among the methods
developed to compute individual dynamic predictions, the joint models have the
assets of using all the available information while accounting for dropout.
However, they are restricted to a very small number of longitudinal predictors.
Our objective was to propose an innovative alternative solution to predict an
event probability using a possibly large number of longitudinal predictors. We
developed DynForest, an extension of random survival forests for competing
risks that handles endogenous longitudinal predictors. At each node of the
trees, the time-dependent predictors are translated into time-fixed features
(using mixed models) to be used as candidates for splitting the subjects into
two subgroups. The individual event probability is estimated in each tree by
the Aalen-Johansen estimator of the leaf in which the subject is classified
according to his/her history of predictors. The final individual prediction is
given by the average of the tree-specific individual event probabilities. We
carried out a simulation study to demonstrate the performances of DynForest
both in a small dimensional context (in comparison with joint models) and in a
large dimensional context (in comparison with a regression calibration method
that ignores informative dropout). We also applied DynForest to (i) predict the
individual probability of dementia in the elderly according to repeated
measures of cognitive, functional, vascular and neuro-degeneration markers, and
(ii) quantify the importance of each type of markers for the prediction of
dementia. Implemented in the R package DynForest, our methodology provides a
solution for the prediction of events from longitudinal endogenous predictors
whatever their number.
- Abstract（参考訳）: パーソナライズドメディカル・メディカルの課題は, 完全患者履歴を用いて臨床イベントの個人的リスクを予測することである。
個々の動的予測を計算するために開発された手法のうち、統合モデルは、ドロップアウトを計算しながら利用可能な全ての情報を使用する資産を持っている。
しかし、それらは非常に少数の縦予測器に制限されている。
本研究の目的は,多数の長手予測器を用いて事象の確率を予測する革新的な代替手法を提案することである。
内因性経年的予測を担っている競合リスクに対するランダムサバイバル・フォレストの拡張であるdynforestを開発した。
木の各ノードでは、時間依存予測器を(混合モデルを用いて)時間固定特徴に変換し、対象を2つのサブグループに分割する候補として使用する。
個々の事象確率は、予測者の履歴に基づいて分類された葉のAalen-Johansen推定器によって各木で推定される。
最終個々の予測は、ツリー固有の個々の事象確率の平均によって与えられる。
本研究では,dynforestの性能を(ジョイントモデルと比較して)小次元の文脈と大次元の文脈で(情報的落下を無視する回帰キャリブレーション法と比較して)実証するシミュレーションを行った。
DynForestも適用しました。
(i)認知・機能・血管・神経変性マーカーの繰り返し測定による高齢者の認知症発症確率の予測
(II)認知症予測における各種類のマーカーの重要性を定量化する。
rパッケージdynforestに実装されたこの手法は、その数が何であれ、縦型内因性予測者からイベントを予測するためのソリューションを提供する。
関連論文リスト
- U-learning for Prediction Inference via Combinatory Multi-Subsampling: With Applications to LASSO and Neural Networks [5.587500517608073]
エピジェネティックな老化時計は、DNAメチル化パターンを調べることによって、個人の生物学的年齢を推定する上で重要な役割を担っている。
アンサンブル予測のためのマルチサブラーニングによる新しいUサンプリング手法を提案する。
より具体的には、一般化されたU統計学の枠組みにおけるアンサンブル推定器を概念化する。
提案手法はLassoとDeep Neural Network(DNN)の2つの一般的な予測アルゴリズムに適用し,広範囲な数値研究による推論の有効性を示す。
論文 参考訳（メタデータ） (2024-07-22T00:03:51Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Bagging in overparameterized learning: Risk characterization and risk
monotonization [2.6534407766508177]
本研究では, 比例法の下で, 適応型予測器の変種予測リスクについて検討した。
具体的には,タグ付き予測器の2乗誤差損失下での予測リスクを解析するための一般的な手法を提案する。
論文 参考訳（メタデータ） (2022-10-20T17:45:58Z) - Predictive Multiplicity in Probabilistic Classification [25.111463701666864]
確率的分類における予測的乗数性を測定するための枠組みを提案する。
実世界のタスクにおける予測多重度の発生頻度と頻度を実証する。
その結果,予測多重度をより広範囲に報告する必要性が強調された。
論文 参考訳（メタデータ） (2022-06-02T16:25:29Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Individual dynamic prediction of clinical endpoint from large
dimensional longitudinal biomarker history: a landmark approach [0.0]
本稿では,多種多様なマーカーの繰り返し測定を活用できる健康事象の動的予測手法を提案する。
Rで実施した手法により,繰り返しマーカーの数が多い場合でも,患者の縦断的履歴全体を用いた事象の予測が可能となった。
論文 参考訳（メタデータ） (2021-02-02T12:36:18Z) - Achieving Reliable Causal Inference with Data-Mined Variables: A Random
Forest Approach to the Measurement Error Problem [1.5749416770494704]
一般的な実証的戦略は、利用可能なデータから関心のある変数を'マイニング'する予測モデリング手法の適用を含む。
最近の研究は、機械学習モデルからの予測は必然的に不完全であるため、予測変数に基づく計量分析は測定誤差によるバイアスに悩まされる可能性が高いことを強調している。
ランダムフォレストと呼ばれるアンサンブル学習技術を用いて,これらのバイアスを軽減する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-12-19T21:48:23Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - 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) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
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。