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

• TFT-multi: simultaneous forecasting of vital sign trajectories in the ICU [0.0]
  医療データにおける軌道予測は、計算手法の精度ケアと臨床統合において重要な研究領域である。 我々は、多次元時系列予測ツールであるフレームワーク時間融合変換器(TFT)を拡張し、TFT-multiを提案する。 集中治療室で記録された5つのバイタルサイン (血圧, 脈拍, SpO2, 温度, 呼吸速度) の予測にTFT-multiを適用した。
  論文  参考訳（メタデータ） (2024-09-23T22:36:37Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• 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)
• 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)
• Bayesian Modelling in Practice: Using Uncertainty to Improve Trustworthiness in Medical Applications [2.446672595462589]
  集中治療室(Intensive Care Unit、ICU)は、機械学習が臨床的意思決定に有用な支援を提供する可能性がある病院部門である。 実際には、破滅的な治療決定を未然に防ぐために、余計な治療を受けた医師に不確実な予測を提示すべきである。 ベイジアンモデリングとそれが提供する予測の不確実性が、誤った予測のリスクを軽減するためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2019-06-20T13:51:07Z)

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。