論文の概要: Interpret Your Care: Predicting the Evolution of Symptoms for Cancer Patients

• arxiv url: http://arxiv.org/abs/2302.09659v1
• Date: Sun, 19 Feb 2023 19:29:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 17:13:35.319360
• Title: Interpret Your Care: Predicting the Evolution of Symptoms for Cancer Patients
• Title（参考訳）: がん患者の症状進展予測のためのケアの解釈
• Authors: Rupali Bhati, Jennifer Jones, Audrey Durand
• Abstract要約: 我々は,20163症例からなる実世界の患者データに基づいて,LightGBMと呼ばれる解釈可能な決定木モデルを実装した。 経験的結果から,症状の前段階の値が予測の指標となることが示唆された。
• 参考スコア（独自算出の注目度）: 5.175050215292647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer treatment is an arduous process for patients and causes many side-effects during and post-treatment. The treatment can affect almost all body systems and result in pain, fatigue, sleep disturbances, cognitive impairments, etc. These conditions are often under-diagnosed or under-treated. In this paper, we use patient data to predict the evolution of their symptoms such that treatment-related impairments can be prevented or effects meaningfully ameliorated. The focus of this study is on predicting the pain and tiredness level of a patient post their diagnosis. We implement an interpretable decision tree based model called LightGBM on real-world patient data consisting of 20163 patients. There exists a class imbalance problem in the dataset which we resolve using the oversampling technique of SMOTE. Our empirical results show that the value of the previous level of a symptom is a key indicator for prediction and the weighted average deviation in prediction of pain level is 3.52 and of tiredness level is 2.27.
• Abstract（参考訳）: がん治療は患者にとって困難なプロセスであり、治療中や治療後の多くの副作用を引き起こす。 この治療は、ほとんどすべての身体システムに影響を与え、痛み、疲労、睡眠障害、認知障害などをもたらす。 これらの状態は、しばしば未診断または未治療である。 本稿では,患者データを用いて症状の進化を予測し,治療関連障害を予防し,有意義な改善を図る。 本研究の目的は,患者の診断後の痛みと疲労度を予測することである。 20163患者からなる実世界患者データにlightgbmと呼ばれる解釈可能な決定木モデルを実装した。 データセットにはSMOTEのオーバーサンプリング手法を用いて解決するクラス不均衡問題が存在する。 以上の結果から, 症状の前段階の値が予測の重要な指標となり, 痛みレベル予測における重み付き平均偏差が3.52, 疲労度が2.27であった。

関連論文リスト

• Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
  神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。 本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
  論文  参考訳（メタデータ） (2024-06-18T17:22:55Z)
• Determining the severity of Parkinson's disease in patients using a multi task neural network [0.7499722271664147]
  パーキンソン病は進行すると容易に診断できるが、早期の診断は困難である。 本研究では,音声分析から容易に抽出できる変数の集合を解析する。 99.15%の成功率は、パーキンソン病またはパーキンソン病以外の重度のパーキンソン病に罹患しているかどうかを予測する問題で達成されている。
  論文  参考訳（メタデータ） (2024-02-08T08:55:34Z)
• Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
  パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。 パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。 進行の段階を特定するために設計されたAIツールは存在しない。
  論文  参考訳（メタデータ） (2023-12-28T10:30:54Z)
• Deterioration Prediction using Time-Series of Three Vital Signs and Current Clinical Features Amongst COVID-19 Patients [6.1594622252295474]
  今後3～24時間で患者が悪化するかどうかを予測できる予後モデルを構築した。 このモデルは、(a)酸素飽和度、(b)心拍数、(c)温度という、通常の三進的なバイタルサインを処理する。 ニューヨーク・ラングーン・ヘルスで37,006人のCOVID-19患者から収集したデータを用いて、モデルを訓練し、評価した。
  論文  参考訳（メタデータ） (2022-10-12T02:53:43Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
  我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。 本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。 私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
  論文  参考訳（メタデータ） (2022-02-04T12:08:31Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Patient-independent Epileptic Seizure Prediction using Deep Learning Models [39.19336481493405]
  発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。 患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。 患者に依存しない2つの深層学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-18T23:13:48Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。