論文の概要: Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction
- arxiv url: http://arxiv.org/abs/2308.12575v2
- Date: Sat, 21 Oct 2023 04:54:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 07:39:41.694531
- Title: Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction
- Title(参考訳): 微細ICU患者の類似性分析とリスク予測のためのハイパーグラフ畳み込みネットワーク
- Authors: Yuxi Liu, Zhenhao Zhang, Shaowen Qin, Flora D. Salim, Antonio Jimeno
Yepes, Jun Shen, Jiang Bian
- Abstract要約: 集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
- 参考スコア(独自算出の注目度): 15.06049250330114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Intensive Care Unit (ICU) is one of the most important parts of a
hospital, which admits critically ill patients and provides continuous
monitoring and treatment. Various patient outcome prediction methods have been
attempted to assist healthcare professionals in clinical decision-making.
Existing methods focus on measuring the similarity between patients using deep
neural networks to capture the hidden feature structures. However, the
higher-order relationships are ignored, such as patient characteristics (e.g.,
diagnosis codes) and their causal effects on downstream clinical predictions.
In this paper, we propose a novel Hypergraph Convolutional Network that allows
the representation of non-pairwise relationships among diagnosis codes in a
hypergraph to capture the hidden feature structures so that fine-grained
patient similarity can be calculated for personalized mortality risk
prediction. Evaluation using a publicly available eICU Collaborative Research
Database indicates that our method achieves superior performance over the
state-of-the-art models on mortality risk prediction. Moreover, the results of
several case studies demonstrated the effectiveness and robustness of the model
decisions.
- Abstract(参考訳): 集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援する様々な患者結果予測手法が試みられている。
既存の方法は、ディープニューラルネットワークを用いて隠れた特徴構造を捉える患者間の類似度を測定することに重点を置いている。
しかし、患者の特徴(診断符号など)や、下流臨床予測に対する因果的影響など、高次関係は無視されている。
本稿では,ハイパーグラフにおける診断符号間の非ペアワイズ関係を表現し,隠れた特徴構造を捉えることで,パーソナライズされた死亡リスク予測のための患者類似度を算出できる新しいハイパーグラフ畳み込みネットワークを提案する。
eICU共同研究データベースを用いた評価の結果,本手法は死亡リスク予測の最先端モデルよりも優れた性能を示した。
さらに,いくつかのケーススタディの結果から,モデル決定の有効性とロバスト性が示された。
関連論文リスト
- 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) - Contrastive Learning-based Imputation-Prediction Networks for
In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
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。
論文 参考訳(メタデータ) (2023-08-19T03:24:34Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2023-06-01T14:08:05Z) - Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文 参考訳(メタデータ) (2022-05-10T16:22:16Z) - 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) - 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) - Potential Features of ICU Admission in X-ray Images of COVID-19 Patients [8.83608410540057]
本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。
この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。
この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
論文 参考訳(メタデータ) (2020-09-26T13:48:39Z) - 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。