論文の概要: Temporal-spatial Correlation Attention Network for Clinical Data
Analysis in Intensive Care Unit
- arxiv url: http://arxiv.org/abs/2306.01970v1
- Date: Sat, 3 Jun 2023 00:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 21:03:17.121463
- Title: Temporal-spatial Correlation Attention Network for Clinical Data
Analysis in Intensive Care Unit
- Title（参考訳）: 集中治療室における臨床データ分析のための時間空間相関注意ネットワーク
- Authors: Weizhi Nie, Yuhe Yu, Chen Zhang, Dan Song, Lina Zhao, Yunpeng Bai
- Abstract要約: 本稿では,臨床特性予測問題に対処するための時間・適応相関注意ネットワーク(TSCAN)を提案する。
本手法は,アテンションメカニズムモデルの設計に基づいて,臨床データおよび無関係ノードにおける無関係項目を効果的に除去することができる。
また,治療方法の改善に有効な重要な結果を示す重要な臨床指標も見出すことができる。
- 参考スコア（独自算出の注目度）: 27.885961694582896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, medical information technology has made it possible for
electronic health record (EHR) to store fairly complete clinical data. This has
brought health care into the era of "big data". However, medical data are often
sparse and strongly correlated, which means that medical problems cannot be
solved effectively. With the rapid development of deep learning in recent
years, it has provided opportunities for the use of big data in healthcare. In
this paper, we propose a temporal-saptial correlation attention network (TSCAN)
to handle some clinical characteristic prediction problems, such as predicting
death, predicting length of stay, detecting physiologic decline, and
classifying phenotypes. Based on the design of the attention mechanism model,
our approach can effectively remove irrelevant items in clinical data and
irrelevant nodes in time according to different tasks, so as to obtain more
accurate prediction results. Our method can also find key clinical indicators
of important outcomes that can be used to improve treatment options. Our
experiments use information from the Medical Information Mart for Intensive
Care (MIMIC-IV) database, which is open to the public. Finally, we have
achieved significant performance benefits of 2.0\% (metric) compared to other
SOTA prediction methods. We achieved a staggering 90.7\% on mortality rate,
45.1\% on length of stay. The source code can be find:
\url{https://github.com/yuyuheintju/TSCAN}.
- Abstract（参考訳）: 近年、医療情報技術により、電子健康記録(EHR)は比較的完全な臨床データを保存できるようになった。
これにより、医療は「ビッグデータ」の時代に入った。
しかし、医療データはしばしばばらばらで強い相関関係にあり、医療問題は効果的に解決できない。
近年のディープラーニングの急速な発展により、医療におけるビッグデータの利用の機会がもたらされている。
本稿では,死の予測,滞在期間の予測,生理的低下の検出,表現型分類など,いくつかの臨床特性予測問題に対処するための時空間相関注意ネットワーク(tscan)を提案する。
本手法は,アテンション機構モデルの設計に基づいて,異なるタスクに応じて,臨床データおよび無関係ノードにおける無関係項目を効果的に除去し,より正確な予測結果を得る。
また,治療方法の改善に有効な重要な結果を示す重要な臨床指標も見つけることができる。
本研究は,医療情報マート(medical information mart for intensive care, mimic-iv)データベースからの情報を公開している。
最後に,他の sota 予測法と比較して, 2.0 % (メトリック) の大幅な性能向上を達成した。
死亡率は90.7\%,滞在期間は45.1\%であった。
ソースコードは: \url{https://github.com/yuyuheintju/TSCAN}。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Causal thinking for decision making on Electronic Health Records: why
and how [0.0]
データ駆動決定には因果思考が必要である。
実生活の患者記録から有効な意思決定を支援するための,ステップバイステップのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T08:17:00Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - MedLens: Improve Mortality Prediction Via Medical Signs Selecting and
Regression [4.43322868663347]
データ品質の問題については文献では議論されていない。
我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。
精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
論文 参考訳（メタデータ） (2023-05-19T15:28:02Z) - Time-dependent Iterative Imputation for Multivariate Longitudinal
Clinical Data [0.0]
Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。
500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
論文 参考訳（メタデータ） (2023-04-16T16:10:49Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - A Graph-based Imputation Method for Sparse Medical Records [3.136861161060886]
本稿では,不確実性や不確実性に頑健なグラフベースの計算法を提案する。
その結果,異なるイベントタイプを臨床的に有意義な方法で組み込むことが,モデルで学べることが示唆された。
論文 参考訳（メタデータ） (2021-11-17T13:06:08Z) - How to Leverage Multimodal EHR Data for Better Medical Predictions? [13.401754962583771]
電子健康記録(EHR)データの複雑さは、ディープラーニングの適用の課題である。
本稿では,まずEHRから臨床ノートを抽出し,これらのデータを統合する方法を提案する。
2つの医療予測タスクの結果、異なるデータを持つ融合モデルが最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-10-29T13:26:05Z) - Label scarcity in biomedicine: Data-rich latent factor discovery
enhances phenotype prediction [102.23901690661916]
低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。
半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
論文 参考訳（メタデータ） (2021-10-12T16:25:50Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - 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)
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。