論文の概要: Discrimination, calibration, and point estimate accuracy of
GRU-D-Weibull architecture for real-time individualized endpoint prediction
- arxiv url: http://arxiv.org/abs/2212.09606v1
- Date: Mon, 19 Dec 2022 16:43:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 18:52:37.898851
- Title: Discrimination, calibration, and point estimate accuracy of
GRU-D-Weibull architecture for real-time individualized endpoint prediction
- Title（参考訳）: リアルタイム個別エンドポイント予測のためのGRU-D-Weibullアーキテクチャの識別・校正・点推定精度
- Authors: Xiaoyang Ruan, Liwei Wang, Michelle Mai, Charat Thongprayoon, Wisit
Cheungpasitporn, Hongfang Liu
- Abstract要約: Webull probability density function (GRU-D-Weibull) を半パラメトリック長手モデルとして用いて、リアルタイムな個人エンドポイント予測を行う。
GRU-D-Weibullは最大Cインデックスが0.77で4.3年続く。
GRU-D-Weibull の平均絶対 L1-loss は約1年で、指標日以降のパークスの誤差は40%である。
- 参考スコア（独自算出の注目度）: 11.032652575678739
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Real-time individual endpoint prediction has always been a challenging task
but of great clinic utility for both patients and healthcare providers. With
6,879 chronic kidney disease stage 4 (CKD4) patients as a use case, we explored
the feasibility and performance of gated recurrent units with decay that models
Weibull probability density function (GRU-D-Weibull) as a semi-parametric
longitudinal model for real-time individual endpoint prediction. GRU-D-Weibull
has a maximum C-index of 0.77 at 4.3 years of follow-up, compared to 0.68
achieved by competing models. The L1-loss of GRU-D-Weibull is ~66% of XGB(AFT),
~60% of MTLR, and ~30% of AFT model at CKD4 index date. The average absolute
L1-loss of GRU-D-Weibull is around one year, with a minimum of 40% Parkes
serious error after index date. GRU-D-Weibull is not calibrated and
significantly underestimates true survival probability. Feature importance
tests indicate blood pressure becomes increasingly important during follow-up,
while eGFR and blood albumin are less important. Most continuous features have
non-linear/parabola impact on predicted survival time, and the results are
generally consistent with existing knowledge. GRU-D-Weibull as a
semi-parametric temporal model shows advantages in built-in parameterization of
missing, native support for asynchronously arrived measurement, capability of
output both probability and point estimates at arbitrary time point for
arbitrary prediction horizon, improved discrimination and point estimate
accuracy after incorporating newly arrived data. Further research on its
performance with more comprehensive input features, in-process or post-process
calibration are warranted to benefit CKD4 or alike terminally-ill patients.
- Abstract（参考訳）: リアルタイムのエンドポイント予測は、常に難しい課題だが、患者と医療提供者の両方にとって優れた診療ユーティリティである。
6,879人の慢性腎臓病ステージ4(ckd4)患者をユースケースとして,weibull確率密度関数(gru-d-weibull)を実時間エンドポイント予測のための半パラメトリック縦型モデルとしてモデル化した,減衰を伴うゲート型再発ユニットの実現可能性と性能を検討した。
GRU-D-Weibullは最大Cインデックスが0.77で4.3年続く。
GRU-D-WeibullのL1-lossはXGB(AFT)の66%、MTLRの60%、CKD4インデックスのAFTモデルの30%である。
GRU-D-Weibull の平均絶対 L1-loss は約1年で、指標日以降のパークスの誤差は40%である。
GRU-D-Weibullは校正されておらず、真の生存確率を著しく過小評価している。
eGFRと血液アルブミンは重要度が低いが, 経過観察中に血圧が上昇する傾向が示唆された。
ほとんどの連続した特徴は、予測生存時間に非線形/パラボラの影響を受け、その結果は一般に既存の知識と一致する。
半パラメトリック時間モデルとしてのGRU-D-Weibullは、欠落のパラメータ化の利点、非同期に到達した測定に対するネイティブサポート、任意の時刻における任意の予測地平線に対する確率と点推定の出力能力、新たに到着したデータを組み込んだ後の識別と点推定精度の改善を示す。
CKD4等の終末期患者に対して、より包括的な入力機能、プロセス内またはプロセス後キャリブレーションによるパフォーマンスに関するさらなる研究が求められる。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - GRU-D-Weibull: A Novel Real-Time Individualized Endpoint Prediction [10.871599399011306]
ワイブル分布をモデル化するために、ゲート再帰単位と崩壊(GRU-D)を組み合わせた新しいアプローチGRU-D-Weibullを提案する。
4期慢性腎臓病(CKD4)6,879例のコホートを用いて,GRU-D-Weibullの終末予測成績を検討した。
提案手法はCKD4指数で1.1年(SD 0.95)、フォローアップ4年で0.45年(SD0.3)の絶対L1損失を達成し,競合法よりも有意に優れていた。
論文 参考訳（メタデータ） (2023-08-14T20:46:16Z) - Deep Learning-Based Discrete Calibrated Survival Prediction [0.0]
本稿では,識別・校正型生存予測のための新しいディープニューラルネットワークである離散校正サバイバル(DCS)を提案する。
DCSの高機能化は、可変時間出力ノード間隔と新しい損失項という2つの新しい特徴に起因している。
我々は、DCSが、最先端の差別と良好な校正によるディープラーニングに基づく生存予測の臨床的応用に向けた重要なステップであると考えている。
論文 参考訳（メタデータ） (2022-08-17T09:40:07Z) - An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction
Tool using Random Forest Model [1.1024591739346292]
治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。
総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。
GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
論文 参考訳（メタデータ） (2021-08-30T07:56:34Z) - 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) - 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) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - 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) - A Physiology-Driven Computational Model for Post-Cardiac Arrest Outcome
Prediction [0.7930054475711718]
本研究の目的は,CA後の結果を予測する計算モデルを構築することである。
我々は、生理的時系列(PTS)データの統合と機械学習(ML)分類器の訓練によりモデル性能を向上させることができると仮定した。
その結果, MLモデルによるCA後予測モデルの有効性が証明され, PTSが短期成績確率を符号化した後のごく初期段階に記録されることが示唆された。
論文 参考訳（メタデータ） (2020-02-09T07:53:50Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。