論文の概要: Identifying Subgroups of ICU Patients Using End-to-End Multivariate
Time-Series Clustering Algorithm Based on Real-World Vital Signs Data
- arxiv url: http://arxiv.org/abs/2306.02121v2
- Date: Tue, 11 Jul 2023 06:00:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 16:47:59.711092
- Title: Identifying Subgroups of ICU Patients Using End-to-End Multivariate
Time-Series Clustering Algorithm Based on Real-World Vital Signs Data
- Title(参考訳): 実世界のバイタルサインデータに基づく多変量時系列クラスタリングアルゴリズムを用いたICU患者のサブグループ同定
- Authors: Tongyue Shi, Zhilong Zhang, Wentie Liu, Junhua Fang, Jianguo Hao,
Shuai Jin, Huiying Zhao and Guilan Kong
- Abstract要約: 本研究は,MIMIC-IVデータベースをデータソースとして,動的,高周波,多変量周期のバイタルサインデータの利用について検討した。
様々なクラスタリングアルゴリズムを比較し,K-Meansと組み合わせたTime2Featと呼ばれるエンドツーエンドの時系列クラスタリングシステムを,ICUの患者をクラスタリングする最も効果的な方法として選択した。
- 参考スコア(独自算出の注目度): 1.6160887070677055
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This study employed the MIMIC-IV database as data source to investigate the
use of dynamic, high-frequency, multivariate time-series vital signs data,
including temperature, heart rate, mean blood pressure, respiratory rate, and
SpO2, monitored first 8 hours data in the ICU stay. Various clustering
algorithms were compared, and an end-to-end multivariate time series clustering
system called Time2Feat, combined with K-Means, was chosen as the most
effective method to cluster patients in the ICU. In clustering analysis, data
of 8,080 patients admitted between 2008 and 2016 was used for model development
and 2,038 patients admitted between 2017 and 2019 for model validation. By
analyzing the differences in clinical mortality prognosis among different
categories, varying risks of ICU mortality and hospital mortality were found
between different subgroups. Furthermore, the study visualized the trajectory
of vital signs changes. The findings of this study provide valuable insights
into the potential use of multivariate time-series clustering systems in
patient management and monitoring in the ICU setting.
- Abstract(参考訳): 本研究では,icu滞在時の最初の8時間データを監視するために,温度,心拍数,平均血圧,呼吸速度,spo2など,動的,高頻度,多変量多変量バイタルサインデータの利用をデータソースとして検討した。
様々なクラスタリングアルゴリズムを比較し,K-Meansと組み合わせたTime2Featと呼ばれるエンドツーエンドの時系列クラスタリングシステムを,ICUの患者をクラスタリングする最も効果的な方法として選択した。
クラスタリング分析では,2008年から2016年までの8,080人の患者と,2017年から2019年までの2,038人のモデル検証を行った。
異なるカテゴリーで臨床死亡率の差を分析することにより,ICU死亡率と病院死亡率の変動リスクがサブグループによって異なることがわかった。
さらに、バイタルサインの変化の軌跡を可視化した。
本研究は, ICU設定における患者管理とモニタリングにおける多変量時系列クラスタリングシステムの有用性に関する貴重な知見を提供する。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - Deep Representation Learning-Based Dynamic Trajectory Phenotyping for Acute Respiratory Failure in Medical Intensive Care Units [4.9981612589160775]
セプシスによる急性呼吸不全(ARF)は予後不良の重篤な合併症である。
本稿では, 敗血症患者の臨床軌跡の異なるグループを同定するために, 深部表現学習に基づく表現型表現法を提案する。
論文 参考訳(メタデータ) (2024-05-04T04:29:22Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - A Self-Supervised Learning-based Approach to Clustering Multivariate
Time-Series Data with Missing Values (SLAC-Time): An Application to TBI
Phenotyping [8.487912181381404]
自己教師型学習に基づく多変量時系列データのクラスタリング手法を提案する(SLAC-Time)。
SLAC-TimeはTransformerベースのクラスタリング手法で、ラベルのないデータを活用するためのプロキシタスクとして時系列予測を使用する。
実験により、SLAC-Timeは、シルエット係数、カリンスキー・ハラバスツ指数、ダン指数、デイビース・ボルディン指数の点で、ベースラインのK平均クラスタリングアルゴリズムより優れていることが示された。
論文 参考訳(メタデータ) (2023-02-27T01:05:17Z) - Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of
Heart Failure Patients [50.48904066814385]
本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。
ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。
提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
論文 参考訳(メタデータ) (2020-12-24T12:56:46Z) - Phenotyping Clusters of Patient Trajectories suffering from Chronic
Complex Disease [3.1564542805009332]
当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。
本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
論文 参考訳(メタデータ) (2020-11-17T01:18:33Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - 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) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z) - Application of Deep Interpolation Network for Clustering of Physiologic
Time Series [0.0]
患者からのバイタルサイン情報はスパースかつ不規則に収集されることが一般的である。
スパースおよび不規則サンプルデータから潜在表現を抽出する新しいディープネットワークを提案する。
入院患者の異種コホートでは、6時間以内に測定されたバイタルサインデータからディープネットワークが表現を抽出した。
論文 参考訳(メタデータ) (2020-04-27T18:03:24Z)
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。