論文の概要: Personalized Event Prediction for Electronic Health Records

• arxiv url: http://arxiv.org/abs/2308.11013v1
• Date: Mon, 21 Aug 2023 20:03:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 19:58:19.346432
• Title: Personalized Event Prediction for Electronic Health Records
• Title（参考訳）: 電子健康記録のパーソナライズされたイベント予測
• Authors: Jeong Min Lee and Milos Hauskrecht
• Abstract要約: 臨床イベントシーケンスは、時間内の患者のケアの記録を表す数百の臨床イベントから構成される。 臨床シーケンスの予測モデルを学ぶ上で重要な課題は、患者固有の多様性である。
• 参考スコア（独自算出の注目度）: 7.224184629864593
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clinical event sequences consist of hundreds of clinical events that represent records of patient care in time. Developing accurate predictive models of such sequences is of a great importance for supporting a variety of models for interpreting/classifying the current patient condition, or predicting adverse clinical events and outcomes, all aimed to improve patient care. One important challenge of learning predictive models of clinical sequences is their patient-specific variability. Based on underlying clinical conditions, each patient's sequence may consist of different sets of clinical events (observations, lab results, medications, procedures). Hence, simple population-wide models learned from event sequences for many different patients may not accurately predict patient-specific dynamics of event sequences and their differences. To address the problem, we propose and investigate multiple new event sequence prediction models and methods that let us better adjust the prediction for individual patients and their specific conditions. The methods developed in this work pursue refinement of population-wide models to subpopulations, self-adaptation, and a meta-level model switching that is able to adaptively select the model with the best chance to support the immediate prediction. We analyze and test the performance of these models on clinical event sequences of patients in MIMIC-III database.
• Abstract（参考訳）: 臨床イベントシーケンスは、患者の介護記録を表す数百の臨床イベントで構成される。 このようなシーケンスの正確な予測モデルを開発することは、現在の患者の状態を解釈・分類したり、悪い臨床事象や結果を予測する様々なモデルをサポートする上で非常に重要である。 臨床シーケンスの予測モデルを学ぶ上で重要な課題は、患者固有の多様性である。 基礎となる臨床状況に基づいて、各患者の配列は異なる臨床イベント(観察、検査結果、薬品、処置)から構成される。 したがって、多くの異なる患者でイベントシーケンスから学習した単純な集団ワイドモデルでは、イベントシーケンスとその差異の患者固有のダイナミクスを正確に予測することができない。 そこで本研究では,各患者とその特定状況の予測をより良く調整するための,複数の新しい事象列予測モデルと手法を提案し,検討する。 本研究で開発された手法は, 人口のサブポピュレーション, 自己適応, メタレベルのモデルスイッチングを, 即時予測を支援する最善の機会で, 適応的にモデルを選択することができる。 本研究はMIMIC-IIIデータベースを用いて, 臨床イベントシーケンスにおけるこれらのモデルの性能を解析・検証する。

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)
• Ethical considerations of use of hold-out sets in clinical prediction model management [0.4194295877935868]
  我々は、善意、非正当性、自律性、正義の倫理的原則に焦点をあてる。 また,様々なホールドアウトセットサンプリング手法による統計的問題についても論じる。
  論文  参考訳（メタデータ） (2024-06-05T11:42:46Z)
• SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
  臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。 本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。 タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
  論文  参考訳（メタデータ） (2023-04-07T23:04:27Z)
• DeepJoint: Robust Survival Modelling Under Clinical Presence Shift [2.9745607433320926]
  本稿では,生存率と平行な3つの臨床的存在次元をモデル化したリカレントニューラルネットワークを提案する。 予測タスクでは、これらの3つのプロセスの明示的なモデリングにより、最先端の予測モデルと比較して性能が向上した。
  論文  参考訳（メタデータ） (2022-05-26T16:42:38Z)
• Bridging the Gap Between Patient-specific and Patient-independent Seizure Prediction via Knowledge Distillation [7.2666838978096875]
  既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。 患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。 提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
  論文  参考訳（メタデータ） (2022-02-25T10:30:29Z)
• 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)
• Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
  EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。 集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。 我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-16T11:19:02Z)
• Neural Clinical Event Sequence Prediction through Personalized Online Adaptive Learning [11.574235466142833]
  臨床イベントシーケンスは、時間内の患者のケアの記録を表す数千の臨床イベントで構成される。 臨床症状の予測モデルを学ぶ上で重要な課題は、患者固有の変動性である。 オンラインモデルの更新を通じて、個々の患者の予測を調整することを学ぶ新しい適応イベントシーケンス予測フレームワークを開発します。
  論文  参考訳（メタデータ） (2021-04-05T06:22:56Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)

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。