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
- 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) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Enhancing Mortality Prediction in Heart Failure Patients: Exploring
Preprocessing Methods for Imbalanced Clinical Datasets [0.0]
心不全 (Heart failure, HF) は、患者の管理決定を導く上で、死亡率の正確な予測が重要な役割を果たす重要な疾患である。
本稿では,スケーリング,アウトレーヤ処理,再サンプリングを含む包括的事前処理フレームワークを提案する。
適切な前処理技術と機械学習(ML)アルゴリズムを活用することで,HF患者の死亡予測性能を向上させることを目指す。
論文 参考訳(メタデータ) (2023-09-30T18:31:15Z) - Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using
EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。
我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。
我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
論文 参考訳(メタデータ) (2023-08-17T03:46:23Z) - 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) - Understanding Heart-Failure Patients EHR Clinical Features via SHAP
Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
心不全(Heart failure, HF)は、死因の一つ。
機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。
以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
論文 参考訳(メタデータ) (2021-03-20T22:17:05Z) - Risk factor identification for incident heart failure using neural
network distillation and variable selection [24.366241122862473]
リスク関連同定のための確立されたディープラーニングモデルによって学習された隠れたパターンを解く2つの方法を提案する。
788,880例(8.3%の心不全)のコホートが検討された。
モデル蒸留では, 心不全に関連する598例と379例を, 人口レベルでそれぞれ同定した。
これらの重要な集団レベルの知見に加えて, 臨床における心不全の出現を考慮し, 個人レベルでの解釈へのアプローチを開発した。
論文 参考訳(メタデータ) (2021-02-17T10:20:38Z) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳(メタデータ) (2020-06-08T19:24:54Z)
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。