論文の概要: Predicting Outcomes in Long COVID Patients with Spatiotemporal Attention
- arxiv url: http://arxiv.org/abs/2307.04770v1
- Date: Fri, 7 Jul 2023 19:38:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-12 17:28:44.777362
- Title: Predicting Outcomes in Long COVID Patients with Spatiotemporal Attention
- Title(参考訳): 時空間的注意を要した長期入院患者の予後予測
- Authors: Degan Hao and Mohammadreza Negahdar
- Abstract要約: ロングウイルス(Long COVID-19)は、新型コロナウイルス(COVID-19)の後継の一般的な用語である。
新型コロナウイルスの深刻な長期合併症でコホートを特定すれば、治療計画や資源確保に役立つ可能性がある。
時系列データから結果を予測するのは難しい。
時間次元と特徴空間から重み付けする時間的注意機構の提案
- 参考スコア(独自算出の注目度): 0.6091702876917281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long COVID is a general term of post-acute sequelae of COVID-19. Patients
with long COVID can endure long-lasting symptoms including fatigue, headache,
dyspnea and anosmia, etc. Identifying the cohorts with severe long-term
complications in COVID-19 could benefit the treatment planning and resource
arrangement. However, due to the heterogeneous phenotype presented in long
COVID patients, it is difficult to predict their outcomes from their
longitudinal data. In this study, we proposed a spatiotemporal attention
mechanism to weigh feature importance jointly from the temporal dimension and
feature space. Considering that medical examinations can have interchangeable
orders in adjacent time points, we restricted the learning of short-term
dependency with a Local-LSTM and the learning of long-term dependency with the
joint spatiotemporal attention. We also compared the proposed method with
several state-of-the-art methods and a method in clinical practice. The methods
are evaluated on a hard-to-acquire clinical dataset of patients with long
COVID. Experimental results show the Local-LSTM with joint spatiotemporal
attention outperformed related methods in outcome prediction. The proposed
method provides a clinical tool for the severity assessment of long COVID.
- Abstract(参考訳): ロングウイルス(Long COVID)は、新型コロナウイルス(COVID-19)の急性後遺症の総称である。
長い新型コロナウイルスの患者は、疲労、頭痛、呼吸困難、無気症などの長期の症状に耐えることができる。
新型コロナウイルスの深刻な長期合併症でコホートを特定すれば、治療計画や資源確保に役立つ可能性がある。
しかし, 長大な患者にみられる異種表現型から, 縦断的データから結果を予測することは困難である。
本研究では,時間次元と特徴空間を併用して特徴量重み付けを行う時空間的注意機構を提案する。
検診が隣接した時点において交替可能な順序を持つことができることを考慮し,局所lstmによる短期依存の学習と,共同時空間的注意による長期依存の学習を制限した。
また,提案手法を臨床実習におけるいくつかの最先端手法と方法と比較した。
これらの手法は、長期にわたる新型コロナウイルス患者の臨床データセットで評価される。
実験結果から,共同時空間注意を用いた局所LSTMは結果予測に優れていた。
提案手法は、長大な新型コロナウイルスの重症度評価のための臨床ツールを提供する。
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) - Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。
われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
論文 参考訳(メタデータ) (2024-05-02T09:41:31Z) - A New Deep State-Space Analysis Framework for Patient Latent State
Estimation and Classification from EHR Time Series Data [1.0970480513577103]
深部状態空間モデルを用いたERHの時系列教師なし学習を用いた「深部状態空間解析フレームワーク」を提案する。
このフレームワークは、病気の進行に関連する患者潜伏状態における時間的変化の学習、可視化、およびクラスタリングを可能にする。
12,695人のがん患者の時系列検査データを用いて,本フレームワークの評価を行った。
論文 参考訳(メタデータ) (2023-07-21T10:45:08Z) - Modeling Long-term Dependencies and Short-term Correlations in Patient
Journey Data with Temporal Attention Networks for Health Prediction [9.364493621593441]
健康予測のための様々な変数の寄与を考慮に入れた,4つのモジュールを持つ新しいディープニューラルネットワークを提案する。
MIMIC-III実験の結果,既存の最先端手法と比較して予測精度が優れていた。
論文 参考訳(メタデータ) (2022-07-13T09:15:26Z) - Longitudinal Self-Supervision for COVID-19 Pathology Quantification [39.24552353343665]
新型コロナウイルス(COVID-19)感染の定量化は、世界的なパンデミックで患者の入院を管理する上で重要な課題だ。
深層学習に基づくアプローチは、縦型CTスキャンで新型コロナウイルスの病態を自動的に定量化するために提案されている。
特に縦断トレーニングでは,大規模なデータセットの収集は困難である。
本研究では,新型コロナウイルス感染の定量化のための縦断ネットワークを効果的に学習するための,自己指導型学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-21T08:52:57Z) - Long-term Causal Inference Under Persistent Confounding via Data Combination [38.026740610259225]
実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。
長期の成果は長期間の遅延後にのみ観測されるため、実験データでは測定されず、観測データでのみ記録される。
論文 参考訳(メタデータ) (2022-02-15T07:44:20Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳(メタデータ) (2020-10-28T15:05:08Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2020-09-25T01:50:15Z) - Deep Recurrent Model for Individualized Prediction of Alzheimer's
Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。
本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-06T08:08:00Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z)
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。