論文の概要: Patients' Severity States Classification based on Electronic Health
Record (EHR) Data using Multiple Machine Learning and Deep Learning
Approaches
- arxiv url: http://arxiv.org/abs/2209.14907v1
- Date: Thu, 29 Sep 2022 16:14:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 16:29:08.811445
- Title: Patients' Severity States Classification based on Electronic Health
Record (EHR) Data using Multiple Machine Learning and Deep Learning
Approaches
- Title(参考訳): 複数機械学習と深層学習を用いた電子健康記録(EHR)データに基づく患者の重症度分類
- Authors: A. N. M. Sajedul Alam, Rimi Reza, Asir Abrar, Tanvir Ahmed, Salsabil
Ahmed, Shihab Sharar, Annajiat Alim Rasel
- Abstract要約: 本研究は、患者の電子的健康記録に基づいて重症度を分類する試験である。
提案手法では,オープンソースのプラットフォームから収集したEHRデータセットを用いて重度を分類する。
- 参考スコア(独自算出の注目度): 0.8312466807725921
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research presents an examination of categorizing the severity states of
patients based on their electronic health records during a certain time range
using multiple machine learning and deep learning approaches. The suggested
method uses an EHR dataset collected from an open-source platform to categorize
severity. Some tools were used in this research, such as openRefine was used to
pre-process, RapidMiner was used for implementing three algorithms (Fast Large
Margin, Generalized Linear Model, Multi-layer Feed-forward Neural Network) and
Tableau was used to visualize the data, for implementation of algorithms we
used Google Colab. Here we implemented several supervised and unsupervised
algorithms along with semi-supervised and deep learning algorithms. The
experimental results reveal that hyperparameter-tuned Random Forest
outperformed all the other supervised machine learning algorithms with 76%
accuracy as well as Generalized Linear algorithm achieved the highest precision
score 78%, whereas the hyperparameter-tuned Hierarchical Clustering with 86%
precision score and Gaussian Mixture Model with 61% accuracy outperformed other
unsupervised approaches. Dimensionality Reduction improved results a lot for
most unsupervised techniques. For implementing Deep Learning we employed a
feed-forward neural network (multi-layer) and the Fast Large Margin approach
for semi-supervised learning. The Fast Large Margin performed really well with
a recall score of 84% and an F1 score of 78%. Finally, the Multi-layer
Feed-forward Neural Network performed admirably with 75% accuracy, 75%
precision, 87% recall, 81% F1 score.
- Abstract(参考訳): 本研究は,複数の機械学習および深層学習アプローチを用いて,患者の電子的健康記録に基づく重症度状態の分類について検討する。
提案手法では,オープンソースのプラットフォームから収集したEHRデータセットを用いて重度を分類する。
例えば、openRefineを前処理に使用し、RapidMinerを3つのアルゴリズム(Fast Large Margin、Generalized Linear Model、Multi-layer Feed-forward Neural Network)の実装に使用し、TableauをGoogle Colabを使ったアルゴリズムの実装に使用しました。
ここでは、教師なしおよび教師なしのアルゴリズムと、半教師付きおよびディープラーニングアルゴリズムを実装した。
実験の結果、ハイパーパラメータチューニングランダムフォレストが、他の教師付き機械学習アルゴリズムを76%の精度で上回り、一般化線形アルゴリズムが最高精度スコア78%に達したのに対し、86%の精度スコアを持つハイパーパラメータチューニング階層クラスタリングと61%の精度のガウス混合モデルが他の教師なしアプローチを上回った。
次元の削減は、多くの教師なしのテクニックで多くの結果を改善した。
Deep Learningを実装するには、フィードフォワードニューラルネットワーク(multi-layer)と、半教師付き学習のためのFast Large Marginアプローチを採用しました。
速い大きなマージンは84%のリコールスコアと78%のf1スコアで非常に良好でした。
最後に,多層フィードフォワードニューラルネットワークは,75%の精度,75%の精度,87%のリコール,81%のf1スコアで良好に動作した。
関連論文リスト
- Deep learning-driven scheduling algorithm for a single machine problem
minimizing the total tardiness [0.0]
単一パススケジューリングアルゴリズムで用いられる基準値の分解時間推定器として機能するディープニューラルネットワークを提案する。
機械学習によるアプローチは、トレーニングフェーズからかなり大きなインスタンスへの情報を効率的に一般化できることを示します。
論文 参考訳(メタデータ) (2024-02-19T15:34:09Z) - Confidence-Nets: A Step Towards better Prediction Intervals for
regression Neural Networks on small datasets [0.0]
そこで本研究では,予測の不確かさを推定し,精度を向上し,予測変動の間隔を与えるアンサンブル手法を提案する。
提案手法は様々なデータセットで検証され,ニューラルネットワークモデルの性能が大幅に向上した。
論文 参考訳(メタデータ) (2022-10-31T06:38:40Z) - Classification and Self-Supervised Regression of Arrhythmic ECG Signals
Using Convolutional Neural Networks [13.025714736073489]
回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。
我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
論文 参考訳(メタデータ) (2022-10-25T18:11:13Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳(メタデータ) (2022-09-22T16:44:59Z) - Machine Learning Methods for Spectral Efficiency Prediction in Massive
MIMO Systems [0.0]
本研究では,特定のプリコーディング方式のスペクトル効率(SE)値を最短時間で推定する機械学習手法について検討する。
平均パーセンテージ誤差(MAPE)の最も良い結果は、ソートされた特徴よりも勾配が上昇し、線形モデルは予測精度が悪くなることを示す。
そこで本研究では,Quadrigaシミュレータによって生成される幅広いシナリオにおける提案アルゴリズムの実用性について検討する。
論文 参考訳(メタデータ) (2021-12-29T07:03:10Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳(メタデータ) (2021-06-22T16:53:09Z) - Effective Model Sparsification by Scheduled Grow-and-Prune Methods [73.03533268740605]
本稿では,高密度モデルの事前学習を伴わない新規なGrow-and-prune(GaP)手法を提案する。
実験により、そのようなモデルは様々なタスクにおいて80%の間隔で高度に最適化された高密度モデルの品質に適合または打ち勝つことができることが示された。
論文 参考訳(メタデータ) (2021-06-18T01:03:13Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳(メタデータ) (2020-12-23T09:33:11Z) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳(メタデータ) (2020-10-19T13:05:08Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - ROAM: Random Layer Mixup for Semi-Supervised Learning in Medical Imaging [43.26668942258135]
医療画像のセグメンテーションは、機械学習の手法が抱える大きな課題の1つだ。
我々はRandOm lAyer MixupのROAMを提案する。
ROAMは、全脳セグメンテーションに対してそれぞれ2.40%と16.50%の相対的な改善を施した、完全に監督された(89.5%)と半監督された(87.0%)設定のSOTA(State-of-the-art)を達成している。
論文 参考訳(メタデータ) (2020-03-20T18:07:12Z)
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。