論文の概要: Contrastive Learning of Temporal Distinctiveness for Survival Analysis
in Electronic Health Records
- arxiv url: http://arxiv.org/abs/2308.13104v2
- Date: Wed, 27 Sep 2023 20:11:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 19:58:08.301478
- Title: Contrastive Learning of Temporal Distinctiveness for Survival Analysis
in Electronic Health Records
- Title(参考訳): 電子カルテの生存分析における時間的識別性の対比学習
- Authors: Mohsen Nayebi Kerdabadi, Arya Hadizadeh Moghaddam, Bin Liu, Mei Liu,
Zijun Yao
- Abstract要約: 本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。
OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。
急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
- 参考スコア(独自算出の注目度): 10.192973297290136
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Survival analysis plays a crucial role in many healthcare decisions, where
the risk prediction for the events of interest can support an informative
outlook for a patient's medical journey. Given the existence of data censoring,
an effective way of survival analysis is to enforce the pairwise temporal
concordance between censored and observed data, aiming to utilize the time
interval before censoring as partially observed time-to-event labels for
supervised learning. Although existing studies mostly employed ranking methods
to pursue an ordering objective, contrastive methods which learn a
discriminative embedding by having data contrast against each other, have not
been explored thoroughly for survival analysis. Therefore, in this paper, we
propose a novel Ontology-aware Temporality-based Contrastive Survival (OTCSurv)
analysis framework that utilizes survival durations from both censored and
observed data to define temporal distinctiveness and construct negative sample
pairs with adjustable hardness for contrastive learning. Specifically, we first
use an ontological encoder and a sequential self-attention encoder to represent
the longitudinal EHR data with rich contexts. Second, we design a temporal
contrastive loss to capture varying survival durations in a supervised setting
through a hardness-aware negative sampling mechanism. Last, we incorporate the
contrastive task into the time-to-event predictive task with multiple loss
components. We conduct extensive experiments using a large EHR dataset to
forecast the risk of hospitalized patients who are in danger of developing
acute kidney injury (AKI), a critical and urgent medical condition. The
effectiveness and explainability of the proposed model are validated through
comprehensive quantitative and qualitative studies.
- Abstract(参考訳): 生存分析は多くの医療決定において重要な役割を担い、そこでは、関心事のリスク予測が患者の医療旅行に対する情報的展望を支える。
データ検閲の存在を前提として、サバイバル分析の効果的な方法は、検閲されたデータと観測されたデータのペアワイズ時間一致を強制することであり、検閲前の時間間隔を教師あり学習のための部分的に観察された時間-イベントラベルとして活用することを目的としている。
既存の研究では、主に順序付け目的を追求するランク付け手法が採用されているが、データに対比して識別的埋め込みを学習するコントラスト的手法は、生存分析のために徹底的に研究されていない。
そこで,本稿では,検閲データと観察データの両方から生存期間を利用して,時間的特有性を定義し,適応性のある硬度を持つ負のサンプルペアを構築可能な,オントロジーに配慮したコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。
具体的には、まずオントロジエンコーダとシーケンシャルセルフアテンションエンコーダを用いて、時系列のERHデータをリッチコンテキストで表現する。
第2に,硬さを認識できる負のサンプリング機構を用いて,教師付き環境での生存期間の変動を捉えるために,時間的コントラストロスを設計する。
最後に、コントラストタスクを複数の損失コンポーネントを持つ時間-イベント予測タスクに組み込む。
急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて広範囲にわたる実験を行った。
提案モデルの有効性と説明性は,包括的定量的および定性的研究によって検証される。
関連論文リスト
- SurvTimeSurvival: Survival Analysis On The Patient With Multiple
Visits/Records [26.66492761632773]
近年の人工知能の進歩にもかかわらず、重症疾患患者の生存時間の正確な予測は重要な課題である。
本研究は「SurvTimeSurvival: Survival Analysis on patients with Multiple visits/Records」を紹介する。
論文 参考訳(メタデータ) (2023-11-16T12:30:14Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-10-24T02:56:05Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳(メタデータ) (2023-09-07T17:07:33Z) - 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) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - auton-survival: an Open-Source Package for Regression, Counterfactual
Estimation, Evaluation and Phenotyping with Censored Time-to-Event Data [14.928328404160299]
検閲されたデータの処理を合理化するためのツールのオープンソースリポジトリであるauton-survivalを紹介します。
我々は、複雑な健康問題や疫学的な疑問に答える上で、データサイエンティストを迅速に支援するオートンサバイバルの能力を実証する。
論文 参考訳(メタデータ) (2022-04-15T00:24:56Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T20:13:17Z) - Dynamic prediction of time to event with survival curves [3.9169188005935927]
最近開発した反実用動的生存モデル(CDSM)を静的および縦方向の観測データに適用します。
評価された個別生存曲線の反射点が、患者の失敗時間の確実な予測をもたらすことを証明した。
論文 参考訳(メタデータ) (2021-01-26T12:17:27Z) - Clinical Risk Prediction with Temporal Probabilistic Asymmetric
Multi-Task Learning [80.66108902283388]
マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。
既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。
特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
論文 参考訳(メタデータ) (2020-06-23T06:01:36Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z)
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。