論文の概要: Automated Dynamic Bayesian Networks for Predicting Acute Kidney Injury Before Onset

• arxiv url: http://arxiv.org/abs/2304.10175v1
• Date: Thu, 20 Apr 2023 09:25:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 14:01:12.094537
• Title: Automated Dynamic Bayesian Networks for Predicting Acute Kidney Injury Before Onset
• Title（参考訳）: 発症前の急性腎臓損傷予測のための動的ベイズネットワークの自動化
• Authors: David Gordon, Panayiotis Petousis, Anders O. Garlid, Keith Norris, Katherine Tuttle, Susanne B. Nicholas, Alex A.T. Bui (on behalf of CURE-CKD)
• Abstract要約: Ranking Approachs for Unknown Structures (RAUS) は、可変順序付けとネットワークのエンドツーエンド学習を通知する自動フレームワークである。 当院における急性腎傷害(AKI)の予測におけるRAUSの有用性について検討した。
• 参考スコア（独自算出の注目度）: 0.8312466807725919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several algorithms for learning the structure of dynamic Bayesian networks (DBNs) require an a priori ordering of variables, which influences the determined graph topology. However, it is often unclear how to determine this order if feature importance is unknown, especially as an exhaustive search is usually impractical. In this paper, we introduce Ranking Approaches for Unknown Structures (RAUS), an automated framework to systematically inform variable ordering and learn networks end-to-end. RAUS leverages existing statistical methods (Cramers V, chi-squared test, and information gain) to compare variable ordering, resultant generated network topologies, and DBN performance. RAUS enables end-users with limited DBN expertise to implement models via command line interface. We evaluate RAUS on the task of predicting impending acute kidney injury (AKI) from inpatient clinical laboratory data. Longitudinal observations from 67,460 patients were collected from our electronic health record (EHR) and Kidney Disease Improving Global Outcomes (KDIGO) criteria were then applied to define AKI events. RAUS learns multiple DBNs simultaneously to predict a future AKI event at different time points (i.e., 24-, 48-, 72-hours in advance of AKI). We also compared the results of the learned AKI prediction models and variable orderings to baseline techniques (logistic regression, random forests, and extreme gradient boosting). The DBNs generated by RAUS achieved 73-83% area under the receiver operating characteristic curve (AUCROC) within 24-hours before AKI; and 71-79% AUCROC within 48-hours before AKI of any stage in a 7-day observation window. Insights from this automated framework can help efficiently implement and interpret DBNs for clinical decision support. The source code for RAUS is available in GitHub at https://github.com/dgrdn08/RAUS .
• Abstract（参考訳）: 動的ベイズネットワーク(DBN)の構造を学ぶためのいくつかのアルゴリズムは、決定されたグラフトポロジーに影響を与える変数の優先順序を必要とする。 しかし、特に徹底的な探索が非現実的であるため、特徴の重要性が不明な場合、この順序を決定する方法がよくわからない。 本稿では、変数順序付けとネットワークのエンドツーエンド学習を体系的に通知する自動化フレームワークであるRAUS( Ranking Approachs for Unknown Structures)を紹介する。 RAUSは既存の統計手法(クラマーV、チ二乗テスト、情報ゲイン)を利用して、可変順序付け、生成されたネットワークトポロジ、DBN性能を比較する。 RAUSはDBNの専門知識に制限のあるエンドユーザに対して,コマンドラインインターフェースによるモデル実装を可能にする。 入院中の臨床検査データから急性腎不全(aki)の予知に関するrausの評価を行った。 電子健康記録(EHR)とKDIGO(Kidney Disease Improving Global Outcomes)の基準から67,460人の患者の経時的観察を行い,AKIの事象を定義した。 RAUSは複数のDBNを同時に学習し、将来のAKIイベントを異なる時点(AKIの前24時間、48時間、72時間)で予測する。 また,学習した秋季予測モデルと変数順序付けの結果をベースライン手法(ロジスティック回帰,ランダムフォレスト,極端な勾配ブースティング)と比較した。 RAUSが生成したDBNは、AKIの24時間以内に受信機動作特性曲線(AUCROC)の下で73～83%、AKIの48時間以内に71～79%のAUCROCを達成した。 この自動フレームワークからの洞察は、臨床診断支援のためのDBNの効率的な実装と解釈に役立つ。 RAUSのソースコードはGitHubでhttps://github.com/dgrdn08/RAUS で公開されている。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Sequential Inference of Hospitalization Electronic Health Records Using Probabilistic Models [3.2988476179015005]
  本研究では,入院電子健康記録(EHR)データに含まれる複数の任意長配列に対する確率的教師なしモデルの設計を行う。 このモデルは潜在変数構造を使用し、薬物、診断、実験室のテスト、神経学的評価、薬物の間の複雑な関係を捉えている。 推論アルゴリズムは、部分的データを用いて、その長さや特定の値の存在を含む完全なシーケンスの特性を推測する。
  論文  参考訳（メタデータ） (2024-03-27T21:06:26Z)
• Neural networks for insurance pricing with frequency and severity data: a benchmark study from data preprocessing to technical tariff [2.4578723416255754]
  本稿では,複数種類の入力機能が存在する場合に,頻度と重大度を目標とした4つの保険データ集合に関するベンチマーク研究を行う。 本稿では,2つの入力データに対する一般化線形モデル,勾配ブースト木モデル,フィードフォワードニューラルネットワーク(FFNN),複合アクチュエータニューラルネットワーク(CANN)の性能を詳細に比較する。
  論文  参考訳（メタデータ） (2023-10-19T12:00:33Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation [0.0]
  我々は,GANに基づく異常検出フレームワークDEGANを提案する。 これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
  論文  参考訳（メタデータ） (2022-10-05T04:32:12Z)
• Inverse problem for parameters identification in a modified SIRD epidemic model using ensemble neural networks [0.0]
  主な目標は、ルーマニアにおける新型コロナウイルスの進化の分析にこのアプローチを適用することであった。 本稿では,死者を別カテゴリとみなすSIRDモデルのパラメータ同定手法を提案する。 死亡者数について10日から45日間の異なる期間の予測について説明する。
  論文  参考訳（メタデータ） (2022-02-28T10:54:29Z)
• Simple Recurrent Neural Networks is all we need for clinical events predictions using EHR data [22.81278657120305]
  リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、EHRに基づく臨床イベント予測モデルのための一般的なアーキテクチャである。 心不全の発症リスクと入院早期入院のリスクの2つの予測課題を用いた。 GRUやLSTMなどの単純なゲート付きRNNモデルでは,ベイズ最適化を適切に調整した場合に,しばしば競合する結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-10-03T13:07:23Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Accuracy Prediction with Non-neural Model for Neural Architecture Search [185.0651567642238]
  精度予測に非神経モデルを用いる別の手法について検討する。 我々は、ニューラルネットワーク探索(NAS)の予測因子として、勾配向上決定木(GBDT)を活用する。 NASBench-101とImageNetの実験は、NASの予測器としてGBDTを使用することの有効性を示した。
  論文  参考訳（メタデータ） (2020-07-09T13:28:49Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。