論文の概要: Contrastive Learning-based Imputation-Prediction Networks for
In-hospital Mortality Risk Modeling using EHRs
- arxiv url: http://arxiv.org/abs/2308.09896v1
- Date: Sat, 19 Aug 2023 03:24:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 19:18:23.292214
- Title: Contrastive Learning-based Imputation-Prediction Networks for
In-hospital Mortality Risk Modeling using EHRs
- Title（参考訳）: EHRを用いた病院内死亡リスクモデリングのためのコントラスト学習に基づくインプット予測ネットワーク
- Authors: Yuxi Liu, Zhenhao Zhang, Shaowen Qin, Flora D. Salim, Antonio Jimeno
Yepes
- Abstract要約: 本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。
本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。
2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 9.578930989075035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the risk of in-hospital mortality from electronic health records
(EHRs) has received considerable attention. Such predictions will provide early
warning of a patient's health condition to healthcare professionals so that
timely interventions can be taken. This prediction task is challenging since
EHR data are intrinsically irregular, with not only many missing values but
also varying time intervals between medical records. Existing approaches focus
on exploiting the variable correlations in patient medical records to impute
missing values and establishing time-decay mechanisms to deal with such
irregularity. This paper presents a novel contrastive learning-based
imputation-prediction network for predicting in-hospital mortality risks using
EHR data. Our approach introduces graph analysis-based patient stratification
modeling in the imputation process to group similar patients. This allows
information of similar patients only to be used, in addition to personal
contextual information, for missing value imputation. Moreover, our approach
can integrate contrastive learning into the proposed network architecture to
enhance patient representation learning and predictive performance on the
classification task. Experiments on two real-world EHR datasets show that our
approach outperforms the state-of-the-art approaches in both imputation and
prediction tasks.
- Abstract（参考訳）: 電子健康記録(EHR)による院内死亡リスクの予測は注目されている。
このような予測は、患者の健康状態の早期警告を医療専門家に提供し、タイムリーな介入を可能にする。
EHRデータは本質的に不規則であり、欠落した値だけでなく、医療記録間の時間間隔も様々である。
既存のアプローチでは、患者の医療記録の変動相関を利用して、欠落した値をインプットし、そのような不規則性に対処する時間分解機構を確立することに重点を置いている。
本稿では,EHRデータを用いた病院内死亡リスク予測のための,新しいコントラスト学習型予測ネットワークを提案する。
提案手法では, グラフ解析に基づく患者階層化モデルを導入し, 類似した患者をグループ化する。
これにより、類似した患者の情報は、個人的な文脈情報に加えて、価値の含意を欠くためにのみ使用できる。
さらに,提案するネットワークアーキテクチャにコントラスト学習を統合することで,分類タスクにおける患者表現学習と予測性能を向上させる。
実世界の2つのehrデータセットにおける実験は、我々のアプローチがインプテーションと予測タスクの両方において最先端のアプローチよりも優れていることを示している。
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) - A Knowledge Distillation Approach for Sepsis Outcome Prediction from
Multivariate Clinical Time Series [2.621671379723151]
我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。
我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
論文 参考訳（メタデータ） (2023-11-16T05:06:51Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Integrated Convolutional and Recurrent Neural Networks for Health Risk
Prediction using Patient Journey Data with Many Missing Values [9.418011774179794]
本稿では,統合畳み込みニューラルネットワークとリカレントニューラルネットワークを用いたEMH患者旅行データモデリングのためのエンドツーエンドアプローチを提案する。
本モデルでは,各患者旅行における長期的・短期的時間的パターンを抽出し,インパルスデータ生成を伴わずに,高レベルのEHRデータの欠落を効果的に処理することができる。
論文 参考訳（メタデータ） (2022-11-11T07:36:18Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal
Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。
我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。
本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文 参考訳（メタデータ） (2021-06-09T00:42:44Z) - 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) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - WRSE -- a non-parametric weighted-resolution ensemble for predicting
individual survival distributions in the ICU [0.251657752676152]
集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。
現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
論文 参考訳（メタデータ） (2020-11-02T10:13:59Z) - 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)
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。