論文の概要: CARNA: Characterizing Advanced heart failure Risk and hemodyNAmic
phenotypes using learned multi-valued decision diagrams
- arxiv url: http://arxiv.org/abs/2306.06801v1
- Date: Sun, 11 Jun 2023 22:56:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 16:39:13.437938
- Title: CARNA: Characterizing Advanced heart failure Risk and hemodyNAmic
phenotypes using learned multi-valued decision diagrams
- Title（参考訳）: CARNA:学習した多値決定図を用いた心不全リスクとヘモディナミック表現型の特徴
- Authors: Josephine Lamp, Yuxin Wu, Steven Lamp, Prince Afriyie, Kenneth
Bilchick, Lu Feng, Sula Mazimba
- Abstract要約: CARNAは、進行心不全に対する血行動態のリスク層化および表現型化の枠組みである。
機械学習による多値決定図(MVDD)の説明可能性と表現性を利用する。
侵襲的な血行動態を組み込んでおり、欠落したデータの予測を行うことができる。
- 参考スコア（独自算出の注目度）: 6.599394944440605
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Early identification of high risk heart failure (HF) patients is key to
timely allocation of life-saving therapies. Hemodynamic assessments can
facilitate risk stratification and enhance understanding of HF trajectories.
However, risk assessment for HF is a complex, multi-faceted decision-making
process that can be challenging. Previous risk models for HF do not integrate
invasive hemodynamics or support missing data, and use statistical methods
prone to bias or machine learning methods that are not interpretable. To
address these limitations, this paper presents CARNA, a hemodynamic risk
stratification and phenotyping framework for advanced HF that takes advantage
of the explainability and expressivity of machine learned Multi-Valued Decision
Diagrams (MVDDs). This interpretable framework learns risk scores that predict
the probability of patient outcomes, and outputs descriptive patient phenotypes
(sets of features and thresholds) that characterize each predicted risk score.
CARNA incorporates invasive hemodynamics and can make predictions on missing
data. The CARNA models were trained and validated using a total of five
advanced HF patient cohorts collected from previous trials, and compared with
six established HF risk scores and three traditional ML risk models. CARNA
provides robust risk stratification, outperforming all previous benchmarks.
Although focused on advanced HF, the CARNA framework is general purpose and can
be used to learn risk stratifications for other diseases and medical
applications.
- Abstract（参考訳）: 高リスク心不全(HF)患者の早期発見は、救命療法のタイムリーな割り当ての鍵となる。
血行動態評価はリスク階層化を促進し、hf軌道の理解を深める。
しかし、hfのリスクアセスメントは複雑で多面的な意思決定プロセスであり、困難である。
従来のHFのリスクモデルは、侵入血行動態を統合したり、欠落したデータをサポートしたりせず、解釈不可能なバイアスや機械学習の手法による統計手法を用いている。
これらの制約に対処するため,本論文では,機械学習による多値決定図(MVDD)の説明可能性と表現性を利用した,高度HFのための血行性リスク階層化および表現型フレームワークであるCARNAを提案する。
この解釈可能なフレームワークは、患者結果の確率を予測するリスクスコアを学習し、各予測されたリスクスコアを特徴付ける記述型患者表現型(特徴と閾値の集合)を出力する。
CARNAは侵襲的な血行動態を取り入れ、欠落したデータの予測を行う。
carnaモデルは、前回の臨床試験から収集した5つの先進的なhf患者コホートを用いてトレーニングと検証を行い、6つの確立されたhfリスクスコアと3つの従来のmlリスクモデルと比較した。
CARNAは堅牢なリスク階層化を提供する。
先進的なHFに焦点を当てているが、CARNAフレームワークは汎用的であり、他の疾患や医療応用のリスク層化を学ぶのに使用できる。
関連論文リスト
- HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。
リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
論文 参考訳（メタデータ） (2024-10-19T18:52:18Z) - Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment [0.0]
本稿では,臨床データを用いた心疾患のリスク予測における機械学習モデルの役割,関連性,効率性を理解し,評価し,分析する。
Support Vector Machine (SVM) は91.51%の精度を示し、予測能力の観点から評価されたモデル間にその優位性を確認している。
論文 参考訳（メタデータ） (2024-10-16T22:32:19Z) - Fuzzy Rule based Intelligent Cardiovascular Disease Prediction using Complex Event Processing [0.8668211481067458]
心血管疾患 (CVD) は、不健康な食事、身体活動の欠如、その他の要因により、急速に世界的な懸念が高まっている。
最近の研究は、リスクと死亡率を減らすための正確でタイムリーな病気予測に焦点を当てている。
本稿では,リアルタイム意思決定支援のためのファジィルールに基づく臨床データ監視システムを提案する。
論文 参考訳（メタデータ） (2024-09-19T16:36:24Z) - Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。
我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。
厳密な実験と検証により,RNNモデルの優れた性能が示された。
論文 参考訳（メタデータ） (2024-09-03T19:18:16Z) - Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning [5.070772577047069]
不安定狭心症(UA)を含む心血管疾患の診断のための金の基準として、浸潤性冠動脈造影(ICA)が認められている
心筋梗塞とは異なり、UAはST偏位や心筋酵素のような特定の指標を持っておらず、リスクアセスメントが複雑になる。
本研究の目的は,UA患者に対する早期リスクアセスメントを機械学習アルゴリズムを用いて向上することである。
論文 参考訳（メタデータ） (2024-08-08T07:24:28Z) - 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) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - A New Approach for Interpretability and Reliability in Clinical Risk
Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。
提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。
個人予測の信頼性推定は誤分類率と大きな相関を示した。
論文 参考訳（メタデータ） (2021-10-15T19:33:46Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - 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)
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。