論文の概要: Integrated Convolutional and Recurrent Neural Networks for Health Risk
Prediction using Patient Journey Data with Many Missing Values
- arxiv url: http://arxiv.org/abs/2211.06045v1
- Date: Fri, 11 Nov 2022 07:36:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 16:40:35.365844
- Title: Integrated Convolutional and Recurrent Neural Networks for Health Risk
Prediction using Patient Journey Data with Many Missing Values
- Title（参考訳）: 欠落値の多い患者旅行データを用いた健康リスク予測のための畳み込み・再帰的ニューラルネットワーク
- Authors: Yuxi Liu, Shaowen Qin, Antonio Jimeno Yepes, Wei Shao, Zhenhao Zhang,
Flora D. Salim
- Abstract要約: 本稿では,統合畳み込みニューラルネットワークとリカレントニューラルネットワークを用いたEMH患者旅行データモデリングのためのエンドツーエンドアプローチを提案する。
本モデルでは,各患者旅行における長期的・短期的時間的パターンを抽出し,インパルスデータ生成を伴わずに,高レベルのEHRデータの欠落を効果的に処理することができる。
- 参考スコア（独自算出の注目度）: 9.418011774179794
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the health risks of patients using Electronic Health Records (EHR)
has attracted considerable attention in recent years, especially with the
development of deep learning techniques. Health risk refers to the probability
of the occurrence of a specific health outcome for a specific patient. The
predicted risks can be used to support decision-making by healthcare
professionals. EHRs are structured patient journey data. Each patient journey
contains a chronological set of clinical events, and within each clinical
event, there is a set of clinical/medical activities. Due to variations of
patient conditions and treatment needs, EHR patient journey data has an
inherently high degree of missingness that contains important information
affecting relationships among variables, including time. Existing deep
learning-based models generate imputed values for missing values when learning
the relationships. However, imputed data in EHR patient journey data may
distort the clinical meaning of the original EHR patient journey data,
resulting in classification bias. This paper proposes a novel end-to-end
approach to modeling EHR patient journey data with Integrated Convolutional and
Recurrent Neural Networks. Our model can capture both long- and short-term
temporal patterns within each patient journey and effectively handle the high
degree of missingness in EHR data without any imputation data generation.
Extensive experimental results using the proposed model on two real-world
datasets demonstrate robust performance as well as superior prediction accuracy
compared to existing state-of-the-art imputation-based prediction methods.
- Abstract（参考訳）: 電子健康記録(ehr)を用いた患者の健康リスクの予測は、近年、特に深層学習技術の発展によって注目されている。
健康リスク(Health risk)とは、特定の患者の特定の健康結果の発生確率である。
予測されるリスクは、医療専門家による意思決定を支援するために使用できる。
EHRは構造化された患者旅行データである。
各患者旅行は、臨床イベントの時系列セットを含み、各臨床イベント内には、臨床・医療活動のセットがある。
患者状況や治療ニーズの相違により、EHR患者旅行データは本質的に、時間を含む変数間の関係に影響を及ぼす重要な情報を含む欠落度が高い。
既存のディープラーニングベースのモデルは、関係を学習するときに、欠落した値のインデュート値を生成する。
しかし, EHR患者旅行データにおけるインプテッドデータは, 当初のEHR患者旅行データの臨床的意味を歪め, 分類バイアスをもたらす可能性がある。
本稿では,統合畳み込みニューラルネットワークとリカレントニューラルネットワークを用いたEMH患者旅行データのモデリング手法を提案する。
本モデルは,各患者旅における長期的,短期的両方の時間的パターンを捉えることができ,インプテーションデータ生成を必要とせず,ehlデータの高次欠如を効果的に処理できる。
2つの実世界のデータセットに提案したモデルを用いた大規模な実験結果は、既存の最先端の計算に基づく予測手法と比較して、頑健な性能と優れた予測精度を示す。
関連論文リスト
- Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳（メタデータ） (2024-02-02T00:31:01Z) - IGNITE: Individualized GeNeration of Imputations in Time-series
Electronic health records [7.451873794596469]
本研究では、患者動態を学習し、個人の人口動態の特徴や治療に合わせたパーソナライズされた値を生成する新しいディープラーニングモデルを提案する。
提案モデルであるIGNITEは,2段階の注意を付加した条件付き2変分オートエンコーダを用いて,個人に対して欠落した値を生成する。
IGNITEは,データ再構成の欠如やタスク予測において,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-01-09T07:57:21Z) - 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) - Contrastive Learning-based Imputation-Prediction Networks for
In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。
本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。
2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-19T03:24:34Z) - Generating Synthetic Mixed-type Longitudinal Electronic Health Records
for Artificial Intelligent Applications [9.374416143268892]
EHR-M-GAN (Generative Adversarial Network, GAN) は、EHRデータを合成する。
EHR-M-GANは,141,488名の患者を対象とし,3つの公用集中治療単位データベース上で検証した。
論文 参考訳（メタデータ） (2021-12-22T17:17:34Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳（メタデータ） (2021-08-31T08:23:56Z) - Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal
Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。
我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。
本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文 参考訳（メタデータ） (2021-06-09T00:42:44Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - 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)
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。