論文の概要: GRU-D-Weibull: A Novel Real-Time Individualized Endpoint Prediction
- arxiv url: http://arxiv.org/abs/2308.07452v1
- Date: Mon, 14 Aug 2023 20:46:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 14:50:45.411827
- Title: GRU-D-Weibull: A Novel Real-Time Individualized Endpoint Prediction
- Title（参考訳）: GRU-D-Weibull:新しいリアルタイム個別エンドポイント予測
- Authors: Xiaoyang Ruan, Liwei Wang, Charat Thongprayoon, Wisit Cheungpasitporn,
Hongfang Liu
- Abstract要約: ワイブル分布をモデル化するために、ゲート再帰単位と崩壊(GRU-D)を組み合わせた新しいアプローチGRU-D-Weibullを提案する。
4期慢性腎臓病(CKD4)6,879例のコホートを用いて,GRU-D-Weibullの終末予測成績を検討した。
提案手法はCKD4指数で1.1年(SD 0.95)、フォローアップ4年で0.45年(SD0.3)の絶対L1損失を達成し,競合法よりも有意に優れていた。
- 参考スコア（独自算出の注目度）: 10.871599399011306
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate prediction models for individual-level endpoints and
time-to-endpoints are crucial in clinical practice. In this study, we propose a
novel approach, GRU-D-Weibull, which combines gated recurrent units with decay
(GRU-D) to model the Weibull distribution. Our method enables real-time
individualized endpoint prediction and population-level risk management. Using
a cohort of 6,879 patients with stage 4 chronic kidney disease (CKD4), we
evaluated the performance of GRU-D-Weibull in endpoint prediction. The C-index
of GRU-D-Weibull was ~0.7 at the index date and increased to ~0.77 after 4.3
years of follow-up, similar to random survival forest. Our approach achieved an
absolute L1-loss of ~1.1 years (SD 0.95) at the CKD4 index date and a minimum
of ~0.45 years (SD0.3) at 4 years of follow-up, outperforming competing methods
significantly. GRU-D-Weibull consistently constrained the predicted survival
probability at the time of an event within a smaller and more fixed range
compared to other models throughout the follow-up period. We observed
significant correlations between the error in point estimates and missing
proportions of input features at the index date (correlations from ~0.1 to
~0.3), which diminished within 1 year as more data became available. By
post-training recalibration, we successfully aligned the predicted and observed
survival probabilities across multiple prediction horizons at different time
points during follow-up. Our findings demonstrate the considerable potential of
GRU-D-Weibull as the next-generation architecture for endpoint risk management,
capable of generating various endpoint estimates for real-time monitoring using
clinical data.
- Abstract（参考訳）: 個別のエンドポイントとエンドポイントの正確な予測モデルは、臨床実践において不可欠である。
本研究では,ゲートリカレント単位と崩壊(gru-d)を結合し,ワイブル分布をモデル化する新しいアプローチ gru-d-weibull を提案する。
本手法は,リアルタイムの個別化エンドポイント予測と集団レベルのリスク管理を可能にする。
4期慢性腎臓病(CKD4)6,879例のコホートを用いて,GRU-D-Weibullの終末予測成績を検討した。
GRU-D-WeibullのC-インデックスは指数日時点で ~0.7 であり、無作為生存林と同様の4.3年後には ~0.77 に増加した。
提案手法はCKD4指数において絶対L1-loss ~1.1年 (SD 0.95) を達成し,4年後のSD0.3 を最小0.45年 (SD0.3) とした。
GRU-D-Weibullは、フォローアップ期間を通じて他のモデルと比較して、より小さく、より固定された範囲でイベント発生時の予測生存確率を一貫して制限した。
点推定誤差と指標日における入力特徴の欠落率(0.1～0.3の相関)との間に有意な相関関係がみられ,より多くのデータが利用可能になるにつれて1年以内に減少していた。
トレーニング後の再調整により,複数の予測地平線にまたがって予測・観測された生存確率をフォローアップ中に一致させた。
以上の結果から,gru-d-weibullはエンドポイントリスク管理のための次世代アーキテクチャとして,臨床データを用いたリアルタイムモニタリングのために様々なエンドポイント推定を生成できる可能性が示唆された。
関連論文リスト
- Equitable Length of Stay Prediction for Patients with Learning Disabilities and Multiple Long-term Conditions Using Machine Learning [1.0064817439176887]
本研究は,学習障害患者9,618例の入院状況とウェールズの人口の長期的状況について分析した。
調査コホートでは, 人口動態, 長期経過状況, 薬剤歴, 病院訪問, 生活史について検討した。
我々は,このコホートにおける入院期間を予測するために,機械学習モデルを適用した。
論文 参考訳（メタデータ） (2024-11-03T20:14:20Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。
我々は多種多様な高次元データにまたがって理論を検証する。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - 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) - Modified Risk Formulation for Improving the Prediction of Knee Osteoarthritis Progression [36.12790384412525]
変形性関節症(OA)の予後を予測するための現在の手法は、疾患固有の先行知識を取り入れていない。
我々は,OA結果予測を改善するために連続画像解析を効果的に活用する新しい手法を開発した。
論文 参考訳（メタデータ） (2024-06-14T15:24:49Z) - 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) - Discrimination, calibration, and point estimate accuracy of
GRU-D-Weibull architecture for real-time individualized endpoint prediction [11.032652575678739]
Webull probability density function (GRU-D-Weibull) を半パラメトリック長手モデルとして用いて、リアルタイムな個人エンドポイント予測を行う。
GRU-D-Weibullは最大Cインデックスが0.77で4.3年続く。
GRU-D-Weibull の平均絶対 L1-loss は約1年で、指標日以降のパークスの誤差は40%である。
論文 参考訳（メタデータ） (2022-12-19T16:43:44Z) - The leap to ordinal: functional prognosis after traumatic brain injury
using artificial intelligence [1.4887102120051716]
TBIの結果はGlasgow Outcome Scale-Extended (GOSE)によって8つに分類される。
既存のICU予測モデルは、GOSEの一定の閾値でバイナリ結果を予測する。
各GOSEスコアの確率を同時に予測する順序予測モデルを開発した。
論文 参考訳（メタデータ） (2022-02-10T02:29:19Z) - An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction
Tool using Random Forest Model [1.1024591739346292]
治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。
総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。
GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
論文 参考訳（メタデータ） (2021-08-30T07:56:34Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - 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) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。