論文の概要: Identifying acute illness phenotypes via deep temporal interpolation and
clustering network on physiologic signatures
- arxiv url: http://arxiv.org/abs/2307.15719v1
- Date: Thu, 27 Jul 2023 21:05:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 19:45:23.026453
- Title: Identifying acute illness phenotypes via deep temporal interpolation and
clustering network on physiologic signatures
- Title（参考訳）: 深部時間補間とクラスタリングネットワークによる生理的特徴に基づく急性疾患表現型同定
- Authors: Yuanfang Ren, Yanjun Li, Tyler J. Loftus, Jeremy Balch, Kenneth L.
Abbott, Shounak Datta, Matthew M. Ruppert, Ziyuan Guan, Benjamin Shickel,
Parisa Rashidi, Tezcan Ozrazgat-Baslanti, Azra Bihorac
- Abstract要約: 入院初日は臨床経過に影響を及ぼすが、早期臨床判断はデータ異常によることが多い。
成人75,762人を対象に, 単中心縦型EHRデータセットを作成し, 6時間以上にわたって第3次ケアセンターに入院した。
本研究では,スパース,不規則にサンプリングされたバイタルサインデータから潜時表現を抽出する深部時間クラスタリングとクラスタリングネットワークを提案する。
- 参考スコア（独自算出の注目度）: 6.315312816818801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Initial hours of hospital admission impact clinical trajectory, but early
clinical decisions often suffer due to data paucity. With clustering analysis
for vital signs within six hours of admission, patient phenotypes with distinct
pathophysiological signatures and outcomes may support early clinical
decisions. We created a single-center, longitudinal EHR dataset for 75,762
adults admitted to a tertiary care center for 6+ hours. We proposed a deep
temporal interpolation and clustering network to extract latent representations
from sparse, irregularly sampled vital sign data and derived distinct patient
phenotypes in a training cohort (n=41,502). Model and hyper-parameters were
chosen based on a validation cohort (n=17,415). Test cohort (n=16,845) was used
to analyze reproducibility and correlation with biomarkers. The training,
validation, and testing cohorts had similar distributions of age (54-55 yrs),
sex (55% female), race, comorbidities, and illness severity. Four clusters were
identified. Phenotype A (18%) had most comorbid disease with higher rate of
prolonged respiratory insufficiency, acute kidney injury, sepsis, and
three-year mortality. Phenotypes B (33%) and C (31%) had diffuse patterns of
mild organ dysfunction. Phenotype B had favorable short-term outcomes but
second-highest three-year mortality. Phenotype C had favorable clinical
outcomes. Phenotype D (17%) had early/persistent hypotension, high rate of
early surgery, and substantial biomarker rate of inflammation but second-lowest
three-year mortality. After comparing phenotypes' SOFA scores, clustering
results did not simply repeat other acuity assessments. In a heterogeneous
cohort, four phenotypes with distinct categories of disease and outcomes were
identified by a deep temporal interpolation and clustering network. This tool
may impact triage decisions and clinical decision-support under time
constraints.
- Abstract（参考訳）: 入院初日は臨床経過に影響を及ぼすが、早期臨床判断はデータ異常によることが多い。
入院後6時間以内のバイタルサインのクラスタリング分析により,病的特徴と予後の異なる患者表現型が早期臨床決定に寄与する可能性がある。
3次医療センターに6時間以上入院した75,762人の成人を対象に,単心縦型ehrデータセットを作成した。
トレーニングコホート(n=41,502)において,スパース,不規則サンプリングされたバイタルサインデータから潜時表現を抽出し,異なる患者表現型を抽出する深部時間補間・クラスタリングネットワークを提案する。
モデルとハイパーパラメータは検証コホート(n=17,415)に基づいて選択された。
実験コホート(n=16,845)を用いて再現性とバイオマーカーとの相関性を検討した。
トレーニング、検証、テストのコホートは、年齢(54-55 yrs)、性別(55%メス)、人種、共生、および病気の重症度で同様の分布を示した。
4つのクラスターが同定された。
フェノタイプA(18%)は, 呼吸不全, 急性腎障害, 敗血症, 3年間の死亡率が高く, 合併症が多かった。
B型(33%)とC型(31%)は軽度臓器機能障害の拡散パターンを示した。
フェノタイプBは短期成績が良好であったが, 3年ぶりの死亡率を示した。
フェノタイプCは良好な臨床成績を示した。
フェノタイプD (17%) は早期・持続性低血圧, 早期手術の頻度, 炎症のバイオマーカーが有意に高かったが, 3年で最も低死亡率であった。
表現型のSOFAスコアを比較した後、クラスタリングの結果は単に他の明度評価を繰り返したわけではない。
異種コホートでは, 深い時間的補間とクラスタリングネットワークにより, 疾患と予後の異なる4つの表現型が同定された。
このツールは、時間的制約の下でトリアージ決定と臨床決定支援に影響を与える可能性がある。
関連論文リスト
- 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) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳（メタデータ） (2023-02-24T13:30:35Z) - Integrating Physiological Time Series and Clinical Notes with
Transformer for Early Prediction of Sepsis [10.791880225915255]
セプシスはICU (Intensive Care Units) の主要な死因である。
早期敗血症予測のためのマルチモーダル変圧器モデルを提案する。
ICU入院後36ドル以内の患者に対して, 生理的時系列データと臨床記録を用いて検討した。
論文 参考訳（メタデータ） (2022-03-28T03:19:03Z) - Machine Learning Methods for Identifying Atrial Fibrillation Cases and
Their Predictors in Patients With Hypertrophic Cardiomyopathy: The
HCM-AF-Risk Model [0.3904666078483698]
肥大型心筋症 (HCM) は心房細動の頻度が高く, 脳卒中リスクが高い。
我々は、データ駆動型機械学習に基づく手法を開発し応用し、AFの事例を識別する。
我々のモデルは,HCM における AF 症例の同定のための,最初の機械学習に基づく手法である。
論文 参考訳（メタデータ） (2021-09-19T20:00:49Z) - 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) - Personalized pathology test for Cardio-vascular disease: Approximate
Bayesian computation with discriminative summary statistics learning [48.7576911714538]
近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。
この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
論文 参考訳（メタデータ） (2020-10-13T15:20:21Z) - 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) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - 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。