論文の概要: Causal Interpretable Progression Trajectory Analysis of Chronic Disease
- arxiv url: http://arxiv.org/abs/2308.09735v1
- Date: Fri, 18 Aug 2023 06:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 20:10:31.268411
- Title: Causal Interpretable Progression Trajectory Analysis of Chronic Disease
- Title（参考訳）: 慢性疾患の因果的解釈可能な進行軌跡解析
- Authors: Zhoujian Sun, Wenzhuo Zhang, Zhengxing Huang, Nai Ding
- Abstract要約: 慢性疾患は死因の主要な原因であり、疾患進行軌跡の正確な予測の必要性を強調している。
既存の機械学習モデルには因果解釈可能な予測を提供する能力がない。
本研究では,この限界に対応するために,因果軌道予測(CTP)と呼ばれる新しいモデルを提案する。
- 参考スコア（独自算出の注目度）: 11.371756033920994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chronic disease is the leading cause of death, emphasizing the need for
accurate prediction of disease progression trajectories and informed clinical
decision-making. Machine learning (ML) models have shown promise in this domain
by capturing non-linear patterns within patient features. However, existing
ML-based models lack the ability to provide causal interpretable predictions
and estimate treatment effects, limiting their decision-assisting perspective.
In this study, we propose a novel model called causal trajectory prediction
(CTP) to tackle the limitation. The CTP model combines trajectory prediction
and causal discovery to enable accurate prediction of disease progression
trajectories and uncovering causal relationships between features. By
incorporating a causal graph into the prediction process, CTP ensures that
ancestor features are not influenced by treatment on descendant features,
thereby enhancing the interpretability of the model. By estimating the bounds
of treatment effects, even in the presence of unmeasured confounders, the CTP
provides valuable insights for clinical decision-making. We evaluate the
performance of the CTP using simulated and real medical datasets. Experimental
results demonstrate that our model achieves satisfactory performance,
highlighting its potential to assist clinical decisions.
- Abstract（参考訳）: 慢性疾患は死因の主要な要因であり、疾患進行軌跡の正確な予測の必要性を強調し、臨床的な意思決定を通知する。
機械学習(ML)モデルは、患者機能内の非線形パターンをキャプチャすることで、この領域で有望であることを示している。
しかしながら、既存のmlベースのモデルは、因果解釈可能な予測を提供し、治療効果を推定する能力が欠けている。
本研究では,この限界に対応するために,因果軌道予測(CTP)と呼ばれる新しいモデルを提案する。
CTPモデルは、軌跡予測と因果発見を組み合わせて、疾患進行軌跡の正確な予測と特徴間の因果関係を明らかにする。
因果グラフを予測プロセスに組み込むことで、CTPは祖先の特徴が子孫の特徴の扱いに影響されないことを保証し、モデルの解釈可能性を高める。
治療効果の限界を推定することにより、測定されていない共同創設者の存在下においても、CTPは臨床的意思決定に有用な洞察を提供する。
シミュレーションと実際の医療データを用いてctpの性能を評価する。
実験の結果,本モデルは良好な成績を得られ,臨床判断支援の可能性を強調した。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳（メタデータ） (2024-03-11T17:26:18Z) - Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。
提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2022-09-03T04:10:45Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - What Do You See in this Patient? Behavioral Testing of Clinical NLP
Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。
私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文 参考訳（メタデータ） (2021-11-30T15:52:04Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Learning to Predict with Supporting Evidence: Applications to Clinical
Risk Prediction [9.199022926064009]
機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。
予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
論文 参考訳（メタデータ） (2021-03-04T00:26:32Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - 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) - Interpretable Disease Prediction based on Reinforcement Path Reasoning
over Knowledge Graphs [15.339137501579087]
疾患予測タスクを知識グラフ(KG)に沿ってランダムウォークとして定式化した。
我々は, 病因と危険因子との関係を, 検証された医療知識に基づいて記録するKGを構築した。
対象物によって生成された軌跡は、所定の患者の解釈可能な疾患進行経路を表す。
論文 参考訳（メタデータ） (2020-10-16T10:46:28Z) - Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM
and Dynamic Behavioral Models [2.11622808613962]
本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。
提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
論文 参考訳（メタデータ） (2020-05-24T10:43:55Z)
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。