Fugu-MT 論文翻訳(概要): A New Deep State-Space Analysis Framework for Patient Latent State Estimation and Classification from EHR Time Series Data

論文の概要: A New Deep State-Space Analysis Framework for Patient Latent State Estimation and Classification from EHR Time Series Data

arxiv url: http://arxiv.org/abs/2307.11487v1
Date: Fri, 21 Jul 2023 10:45:08 GMT
ステータス: 処理完了
システム内更新日: 2023-07-24 12:52:44.334235
Title: A New Deep State-Space Analysis Framework for Patient Latent State Estimation and Classification from EHR Time Series Data
Title（参考訳）: EHR時系列データを用いた患者潜在状態推定・分類のための新しい深部状態空間分析フレームワーク
Authors: Aya Nakamura, Ryosuke Kojima, Yuji Okamoto, Eiichiro Uchino, Yohei Mineharu, Yohei Harada, Mayumi Kamada, Manabu Muto, Motoko Yanagita, Yasushi Okuno
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.0970480513577103
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many diseases, including cancer and chronic conditions, require extended treatment periods and long-term strategies. Machine learning and AI research focusing on electronic health records (EHRs) have emerged to address this need. Effective treatment strategies involve more than capturing sequential changes in patient test values. It requires an explainable and clinically interpretable model by capturing the patient's internal state over time. In this study, we propose the "deep state-space analysis framework," using time-series unsupervised learning of EHRs with a deep state-space model. This framework enables learning, visualizing, and clustering of temporal changes in patient latent states related to disease progression. We evaluated our framework using time-series laboratory data from 12,695 cancer patients. By estimating latent states, we successfully discover latent states related to prognosis. By visualization and cluster analysis, the temporal transition of patient status and test items during state transitions characteristic of each anticancer drug were identified. Our framework surpasses existing methods in capturing interpretable latent space. It can be expected to enhance our comprehension of disease progression from EHRs, aiding treatment adjustments and prognostic determinations.
Abstract（参考訳）: がんや慢性疾患を含む多くの疾患は、治療期間と長期戦略を必要とする。電子健康記録(EHR)に焦点を当てた機械学習とAI研究が、このニーズに対処するために現れている。効果的な治療戦略は、患者の検査値のシーケンシャルな変化を捉えない。患者の内部状態を時間とともに捉え、説明可能かつ臨床的に解釈可能なモデルが必要である。本研究では,EHRの時系列教師なし学習と深部状態空間モデルを用いた「深部状態空間分析フレームワーク」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評価した。潜伏状態の推定により,予後に関連する潜伏状態の発見に成功した。可視化とクラスター分析により,各抗がん剤の状態遷移特性における患者状態と検査項目の経時的推移を同定した。我々のフレームワークは解釈可能な潜在空間をキャプチャする既存の手法を超越している。 EHRによる疾患進展の理解を深め、治療適応と予後決定を支援することが期待できる。

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)
Semi-Supervised Generative Models for Disease Trajectories: A Case Study on Systemic Sclerosis [0.04057716989497714]
複雑な疾患の軌跡をモデル化し, 全体解析するために, 潜時過程を用いた深部生成手法を提案する。全身性硬化症の特徴の医学的定義と生成的アプローチを組み合わせることで,新たな疾患の発見が容易になる。本研究は, SSc患者軌跡を新たなサブタイプに分類するなど, さらにデータ分析や臨床仮説の検証に, 学習時潜伏過程を活用できることを示唆する。
論文参考訳（メタデータ） (2024-07-16T06:45:27Z)
Modeling Complex Disease Trajectories using Deep Generative Models with Semi-Supervised Latent Processes [0.04818215922729969]
我々は、確立された医療概念を用いて、潜伏空間を遠ざけるための半教師付きアプローチを開発する。学習した時間潜伏過程を,さらなるデータ分析と臨床仮説テストに活用できることが示唆された。
論文参考訳（メタデータ） (2023-11-14T13:25:41Z)
Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文参考訳（メタデータ） (2023-03-02T17:27:45Z)
Learning Spatio-Temporal Model of Disease Progression with NeuralODEs from Longitudinal Volumetric Data [4.998875488622879]
我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
論文参考訳（メタデータ） (2022-11-08T13:28:26Z)
COPER: Continuous Patient State Perceiver [13.735956129637945]
本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
論文参考訳（メタデータ） (2022-08-05T14:32:57Z)
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)
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)
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。