論文の概要: Temporal Pattern Mining for Analysis of Longitudinal Clinical Data:
Identifying Risk Factors for Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2209.04793v1
- Date: Sun, 11 Sep 2022 05:44:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 13:38:07.614517
- Title: Temporal Pattern Mining for Analysis of Longitudinal Clinical Data:
Identifying Risk Factors for Alzheimer's Disease
- Title（参考訳）: 縦断的臨床データ分析のための時間的パターンマイニング : アルツハイマー病の危険因子の同定
- Authors: Annette Spooner, Gelareh Mohammadi, Perminder S. Sachdev, Henry
Brodaty, Arcot Sowmya
- Abstract要約: この方法は、治療法のない進行性神経変性疾患であるアルツハイマー病(AD)の現実世界の研究に適用される。
その結果,Concordance indexは最大0.8。
- 参考スコア（独自算出の注目度）: 9.764638397706719
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A novel framework is proposed for handling the complex task of modelling and
analysis of longitudinal, multivariate, heterogeneous clinical data. This
method uses temporal abstraction to convert the data into a more appropriate
form for modelling, temporal pattern mining, to discover patterns in the
complex, longitudinal data and machine learning models of survival analysis to
select the discovered patterns. The method is applied to a real-world study of
Alzheimer's disease (AD), a progressive neurodegenerative disease that has no
cure. The patterns discovered were predictive of AD in survival analysis models
with a Concordance index of up to 0.8. This is the first work that performs
survival analysis of AD data using temporal data collections for AD. A
visualisation module also provides a clear picture of the discovered patterns
for ease of interpretability.
- Abstract（参考訳）: 縦型・多変量・異種臨床データのモデリング・解析の複雑なタスクを扱うための新しい枠組みを提案する。
この方法は、時間的抽象化を用いて、データをモデリング、時間的パターンマイニングのためのより適切な形式に変換し、複雑な縦型データとサバイバル解析の機械学習モデルの中からパターンを発見し、発見パターンを選択する。
この方法は、治療法のない進行性神経変性疾患であるアルツハイマー病(AD)の現実世界の研究に適用される。
得られたパターンは、最大0.8の一致指数を持つ生存分析モデルにおけるadの予測であった。
これは、ADのための時間データ収集を用いてADデータの生存分析を行う最初の作業である。
可視化モジュールは、解釈の容易さのために発見されたパターンの明確な図示を提供する。
関連論文リスト
- Semi-Supervised Generative Models for Disease Trajectories: A Case Study on Systemic Sclerosis [0.04057716989497714]
複雑な疾患の軌跡をモデル化し, 全体解析するために, 潜時過程を用いた深部生成手法を提案する。
全身性硬化症の特徴の医学的定義と生成的アプローチを組み合わせることで,新たな疾患の発見が容易になる。
本研究は, SSc患者軌跡を新たなサブタイプに分類するなど, さらにデータ分析や臨床仮説の検証に, 学習時潜伏過程を活用できることを示唆する。
論文 参考訳（メタデータ） (2024-07-16T06:45:27Z) - Assessing the significance of longitudinal data in Alzheimer's Disease forecasting [7.72135261611709]
我々は、アルツハイマー病(AD)の進行を予測するための縦断的患者データの重要性を特徴付けるために、トランスフォーマーエンコーダモデルを用いている。
アルツハイマー病の縦断予測モデル (LongForMAD) は, 患者訪問の順序に埋め込まれた包括的時間的情報を活用する。
本研究は,ADの早期検出とモニタリングを促進するため,臨床環境における経時的データの導入を支援する。
論文 参考訳（メタデータ） (2024-05-27T16:55:48Z) - SurvTimeSurvival: Survival Analysis On The Patient With Multiple
Visits/Records [26.66492761632773]
近年の人工知能の進歩にもかかわらず、重症疾患患者の生存時間の正確な予測は重要な課題である。
本研究は「SurvTimeSurvival: Survival Analysis on patients with Multiple visits/Records」を紹介する。
論文 参考訳（メタデータ） (2023-11-16T12:30:14Z) - Exploration of the Rashomon Set Assists Trustworthy Explanations for
Medical Data [4.499833362998488]
本稿では,Rashomon集合におけるモデル探索の新たなプロセスを紹介し,従来のモデリング手法を拡張した。
動作の異なるモデルを検出するために,$textttRashomon_DETECT$アルゴリズムを提案する。
モデル間の変動効果の差を定量化するために,機能的データ解析に基づくプロファイル分散指数(PDI)を導入する。
論文 参考訳（メタデータ） (2023-08-22T13:53:43Z) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳（メタデータ） (2023-02-24T13:30:35Z) - 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) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - 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) - 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。
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。