論文の概要: T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression

• arxiv url: http://arxiv.org/abs/2302.12619v1
• Date: Fri, 24 Feb 2023 13:30:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-27 13:38:53.523884
• Title: T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression
• Title（参考訳）: T-フェノタイプ:疾患進行における予測的時間パターンのフェノタイプ発見
• Authors: Yuchao Qin and Mihaela van der Schaar and Changhee Lee
• Abstract要約: 我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
• 参考スコア（独自算出の注目度）: 82.85825388788567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering time-series data in healthcare is crucial for clinical phenotyping to understand patients' disease progression patterns and to design treatment guidelines tailored to homogeneous patient subgroups. While rich temporal dynamics enable the discovery of potential clusters beyond static correlations, two major challenges remain outstanding: i) discovery of predictive patterns from many potential temporal correlations in the multi-variate time-series data and ii) association of individual temporal patterns to the target label distribution that best characterizes the underlying clinical progression. To address such challenges, we develop a novel temporal clustering method, T-Phenotype, to discover phenotypes of predictive temporal patterns from labeled time-series data. We introduce an efficient representation learning approach in frequency domain that can encode variable-length, irregularly-sampled time-series into a unified representation space, which is then applied to identify various temporal patterns that potentially contribute to the target label using a new notion of path-based similarity. Throughout the experiments on synthetic and real-world datasets, we show that T-Phenotype achieves the best phenotype discovery performance over all the evaluated baselines. We further demonstrate the utility of T-Phenotype by uncovering clinically meaningful patient subgroups characterized by unique temporal patterns.
• Abstract（参考訳）: 医療における時系列データのクラスタリングは,患者の疾患進行パターンを理解し,同種患者サブグループに適した治療ガイドラインを設計するために重要である。 リッチなテンポラリダイナミクスは静的相関を超えた潜在的なクラスターの発見を可能にするが、大きな課題は2つ残されている。 i)多変量時系列データにおける多くの潜在的時間相関からの予測パターンの発見と予測 二 個別の時間的パターンと、基礎となる臨床経過を最も特徴付ける目標ラベル分布との関連。 このような課題に対処するため、ラベル付き時系列データから予測時相パターンの表現型を発見するための新しい時間的クラスタリング手法T-Phenotypeを開発した。 周波数領域における効率的な表現学習手法を導入し、可変長不規則な時系列を統一表現空間に符号化し、パスベースの類似性の概念を用いて、ターゲットラベルに潜在的に寄与する様々な時間パターンを同定する。 合成および実世界のデータセットに関する実験を通して、T-フェノタイプが評価された全てのベースラインに対して最高の表現型発見性能を達成することを示す。 さらに,T-Phenotypeの臨床的意義を明らかにすることで,T-Phenotypeの有用性を実証した。

関連論文リスト

• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Discovery of Generalizable TBI Phenotypes Using Multivariate Time-Series Clustering [9.959978441977011]
  我々の研究は、様々な設定や個体群で一貫して一般化されるTBI表現型に対処する。 解析の結果,TBI表現型は3種類(アルファ,ベータ,ガンマ)であった。 年齢はTBIの結果の重要な決定要因であり、高齢のコホートは死亡率が高い。
  論文  参考訳（メタデータ） (2024-01-15T23:10:22Z)
• SWoTTeD: An Extension of Tensor Decomposition to Temporal Phenotyping [0.0]
  隠れ時間パターンを発見する新しい手法SWoTTeD(Sliding Window for Temporal Decomposition)を提案する。 我々は, 合成と実世界の両方のデータセットを用いて提案手法を検証し, パリ大病院のデータを用いた独自のユースケースを提案する。 その結果、SWoTTeDは最近の最先端テンソル分解モデルと同程度の精度で再現可能であることがわかった。
  論文  参考訳（メタデータ） (2023-10-02T13:42:11Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Towards Patient Record Summarization Through Joint Phenotype Learning in HIV Patients [1.598617270887469]
  本研究では、構造化データと非構造化データにまたがる多数の表現型/プロブレムを共同で学習する、教師なし表現型化手法を提案する。 我々は,大都市医療施設のHIVクリニックから患者を表現型化する実験を行った。 臨床専門家による評価では,学習した表現型とその関連性は臨床的に有効であることが判明した。
  論文  参考訳（メタデータ） (2020-03-09T15:41:58Z)

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。