論文の概要: Self-supervised predictive coding and multimodal fusion advance patient
deterioration prediction in fine-grained time resolution
- arxiv url: http://arxiv.org/abs/2210.16598v1
- Date: Sat, 29 Oct 2022 13:34:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 18:01:24.928477
- Title: Self-supervised predictive coding and multimodal fusion advance patient
deterioration prediction in fine-grained time resolution
- Title(参考訳): 微細時間分解能を用いた自己監督型予測符号化と多モード融合進行患者劣化予測
- Authors: Kwanhyung Lee, John Won, Heejung Hyun, Sangchul Hahn, Edward Choi,
Joohyung Lee
- Abstract要約: 本稿では,EDにおける臨界事象の時間的予測手法,すなわち死亡率と血管圧薬の必要性について提案する。
1) EHRテキストと時系列データのバイモーダル融合と,2) 正規化コンテキストベクトルとEHR将来の時系列データ間のL2損失を用いた自己教師付き予測正則化が予測性能を向上させることを示す。
- 参考スコア(独自算出の注目度): 6.806410144139259
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the Emergency Department (ED), accurate prediction of critical events
using Electronic Health Records (EHR) allows timely intervention and effective
resource allocation. Though many studies have suggested automatic prediction
methods, their coarse-grained time resolutions limit their practical usage.
Therefore, in this study, we propose an hourly prediction method of critical
events in ED, i.e., mortality and vasopressor need. Through extensive
experiments, we show that both 1) bi-modal fusion between EHR text and
time-series data and 2) self-supervised predictive regularization using L2 loss
between normalized context vector and EHR future time-series data improve
predictive performance, especially the far-future prediction. Our
uni-modal/bi-modal/bi-modal self-supervision scored 0.846/0.877/0.897
(0.824/0.855/0.886) and 0.817/0.820/0.858 (0.807/0.81/0.855) with mortality
(far-future mortality) and with vasopressor need (far-future vasopressor need)
prediction data in AUROC, respectively.
- Abstract(参考訳): 緊急部(ed)では、電子健康記録(ehr)を用いた臨界事象の正確な予測は、タイムリーな介入と効果的な資源配分を可能にする。
多くの研究で自動予測法が提案されているが、その粗い時間分解能は実用的利用を制限する。
そこで本研究では,EDにおける臨界事象の時間的予測手法,すなわち死亡率と血管圧薬の必要性を提案する。
広範な実験を通して 両者が
1)EHRテキストと時系列データの双方向融合
2) 正規化コンテキストベクトルとEHR将来の時系列データ間のL2損失を用いた自己教師付き予測正則化は予測性能、特に遠未来予測を改善する。
両モード/両モード/0.877/0.897 (0.824/0.855/0.886) と 0.817/0.820/0.858 (0.807/0.81/0.855) をそれぞれAUROC で評価した。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Boosting the interpretability of clinical risk scores with intervention
predictions [59.22442473992704]
本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。
死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
論文 参考訳(メタデータ) (2022-07-06T19:49:42Z) - Multimodal spatiotemporal graph neural networks for improved prediction
of 30-day all-cause hospital readmission [4.609543591101764]
本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。
MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。
心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2022-04-14T05:50:07Z) - Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG
Time Series [37.15225732922409]
この現実世界のアプリケーションに触発されたBeneFitterは、早期の予測から得られた貯蓄を注入し、誤分類から利益と呼ばれる統一されたドメイン固有ターゲットへとコストを落とします。
BeneFitterは効率的で高速で、トレーニング時間は入力シーケンス数で線形であり、意思決定のためにリアルタイムで動作することができる。
論文 参考訳(メタデータ) (2021-11-11T02:54:36Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Real-time Prediction for Mechanical Ventilation in COVID-19 Patients
using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。
新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。
予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
論文 参考訳(メタデータ) (2021-02-01T20:35:22Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-18T15:56:28Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - 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) - ISeeU2: Visually Interpretable ICU mortality prediction using deep
learning and free-text medical notes [0.0]
そこで本研究では,MIMIC-IIIで訓練した深層学習モデルを用いて,生の看護ノートによる死亡率の予測と,単語の重要性の視覚的説明を行う。
我々のモデルは0.8629のROCに達し、従来のSAPS-IIスコアを上回り、類似のDeep Learningアプローチと比較して高い解釈性を提供する。
論文 参考訳(メタデータ) (2020-05-19T08:30:34Z)
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。