論文の概要: Consensus of state of the art mortality prediction models: From
all-cause mortality to sudden death prediction
- arxiv url: http://arxiv.org/abs/2308.16067v1
- Date: Wed, 30 Aug 2023 14:44:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 13:03:58.076454
- Title: Consensus of state of the art mortality prediction models: From
all-cause mortality to sudden death prediction
- Title（参考訳）: state of the art death prediction modelのコンセンサス--全死因死亡から突然死亡予測まで
- Authors: Dr Yola Jones, Dr Fani Deligianni, Dr Jeff Dalton, Dr Pierpaolo
Pellicori, Professor John G F Cleland
- Abstract要約: 医療歴,血液検査,薬剤処方,入院が急死リスクの増大を予測できるかどうかを検討した。
我々は、突然の死亡または全死因の死亡を予測するために訓練されたモデルの性能を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Worldwide, many millions of people die suddenly and unexpectedly each year,
either with or without a prior history of cardiovascular disease. Such events
are sparse (once in a lifetime), many victims will not have had prior
investigations for cardiac disease and many different definitions of sudden
death exist. Accordingly, sudden death is hard to predict.
This analysis used NHS Electronic Health Records (EHRs) for people aged
$\geq$50 years living in the Greater Glasgow and Clyde (GG\&C) region in 2010
(n = 380,000) to try to overcome these challenges. We investigated whether
medical history, blood tests, prescription of medicines, and hospitalisations
might, in combination, predict a heightened risk of sudden death.
We compared the performance of models trained to predict either sudden death
or all-cause mortality. We built six models for each outcome of interest: three
taken from state-of-the-art research (BEHRT, Deepr and Deep Patient), and three
of our own creation. We trained these using two different data representations:
a language-based representation, and a sparse temporal matrix.
We used global interpretability to understand the most important features of
each model, and compare how much agreement there was amongst models using Rank
Biased Overlap. It is challenging to account for correlated variables without
increasing the complexity of the interpretability technique. We overcame this
by clustering features into groups and comparing the most important groups for
each model. We found the agreement between models to be much higher when
accounting for correlated variables.
Our analysis emphasises the challenge of predicting sudden death and
emphasises the need for better understanding and interpretation of machine
learning models applied to healthcare applications.
- Abstract（参考訳）: 世界中で、心臓血管疾患の既往の有無に関わらず、毎年何百万人もの人々が突然、予期せぬほど突然死亡している。
このような出来事は(一生に一度だけ)希少であり、多くの犠牲者は心臓病の先行調査を行っておらず、突然死の定義は様々である。
そのため、突然の死亡は予測できない。
この分析では、2010年(n = 380,000)にグレーター・グラスゴーとクライド(GG\&C)地域に住む50ドル以上の高齢者にNHSエレクトロニック・ヘルス・レコード(EHR)を使用した。
医療歴,血液検査,薬剤処方,入院などにより突然死のリスクが高まる可能性について検討した。
我々は、突然の死亡または全死亡を予測するために訓練されたモデルの性能を比較した。
私たちは、最先端の研究から得られた3つのモデル(BEHRT、Deepr、Deep patient)と、私たち自身の創造物である3つのモデルを構築しました。
言語ベースの表現とスパーステンポラリマトリクスという,2つの異なるデータ表現を使ってこれらをトレーニングした。
我々は,各モデルの最も重要な特徴を理解するためにグローバル解釈性を用い,ランクバイアス重なりを用いたモデル間での合意度を比較した。
解釈可能性手法の複雑さを増すことなく相関変数を考慮に入れることは困難である。
機能をグループにクラスタリングし、各モデルで最も重要なグループを比較することで、これを克服しています。
相関変数の計算では,モデル間の合意がはるかに高いことがわかった。
分析では、突然死を予測するという課題を強調し、医療アプリケーションに適用される機械学習モデルの理解と解釈の必要性を強調した。
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) - 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) - Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using
EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。
我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。
我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
論文 参考訳（メタデータ） (2023-08-17T03:46:23Z) - SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。
本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。
医療データセットに関する広範な実験により,本手法の評価を行った。
論文 参考訳（メタデータ） (2023-02-24T17:03:51Z) - Coronavirus disease situation analysis and prediction using machine
learning: a study on Bangladeshi population [1.7188280334580195]
バングラデシュでは近年、死亡率と感染率の差が以前よりも大きくなっている。
本研究では、機械学習モデルを識別し、今後数日の感染と死亡率を予測する予測システムを作成する。
論文 参考訳（メタデータ） (2022-07-12T09:48:41Z) - 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) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - Ensemble Machine Learning Methods for Modeling COVID19 Deaths [0.0]
我々は、米国における新型コロナウイルスの死亡率を郡レベルで予測する新しいデータ駆動アプローチを提案する。
このモデルは、平均的な死ではなく、量的推定を出力し、日々の死亡分布をより完全に記述する。
われわれは50以上のチームからカリフォルニア工科大学が運営するモデリングコンテストに優勝した。
論文 参考訳（メタデータ） (2020-10-04T13:34:12Z) - A self-supervised neural-analytic method to predict the evolution of
COVID-19 in Romania [10.760851506126105]
我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。
本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。
ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
論文 参考訳（メタデータ） (2020-06-23T12:00:04Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。