論文の概要: Interpretable Survival Analysis for Heart Failure Risk Prediction

• arxiv url: http://arxiv.org/abs/2310.15472v1
• Date: Tue, 24 Oct 2023 02:56:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 20:39:50.718866
• Title: Interpretable Survival Analysis for Heart Failure Risk Prediction
• Title（参考訳）: 心不全リスク予測のための解釈型生存分析
• Authors: Mike Van Ness, Tomas Bosschieter, Natasha Din, Andrew Ambrosy, Alexander Sandhu, Madeleine Udell
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.64739292687567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis, or time-to-event analysis, is an important and widespread problem in healthcare research. Medical research has traditionally relied on Cox models for survival analysis, due to their simplicity and interpretability. Cox models assume a log-linear hazard function as well as proportional hazards over time, and can perform poorly when these assumptions fail. Newer survival models based on machine learning avoid these assumptions and offer improved accuracy, yet sometimes at the expense of model interpretability, which is vital for clinical use. We propose a novel survival analysis pipeline that is both interpretable and competitive with state-of-the-art survival models. Specifically, we use an improved version of survival stacking to transform a survival analysis problem to a classification problem, ControlBurn to perform feature selection, and Explainable Boosting Machines to generate interpretable predictions. To evaluate our pipeline, we predict risk of heart failure using a large-scale EHR database. Our pipeline achieves state-of-the-art performance and provides interesting and novel insights about risk factors for heart failure.
• Abstract（参考訳）: 生存分析(Survival analysis)は、医療研究において重要かつ広範な問題である。 医学研究は伝統的に生き残り分析のためにコックスモデルに依存してきた。 coxモデルは、時間とともに対数線形ハザード関数と比例ハザードを仮定し、これらの仮定が失敗すると性能が低下する。 機械学習に基づく新しい生存モデルは、これらの仮定を回避し、精度の向上を提供するが、時には、臨床的使用に不可欠なモデル解釈可能性の犠牲になる。 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。 具体的には,サバイバル・スタッキングの改良版を用いてサバイバル解析問題を分類問題に変換し,特徴選択を行う制御バーンと説明可能なブースティングマシンを用いて解釈可能な予測を生成する。 パイプラインを評価するため,大規模なEMHデータベースを用いて心不全のリスクを予測する。 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。

関連論文リスト

• HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
  本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。 また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
  論文  参考訳（メタデータ） (2024-09-30T03:01:25Z)
• Interpretable Prediction and Feature Selection for Survival Analysis [18.987678432106563]
  我々は、強い差別と解釈可能性の両方を達成する新しい生存分析モデルであるDyS(dice'と発音する)を提示する。 DySは、特徴選択と解釈可能な予測を1つのモデルに組み合わせた、機能スパースな一般化付加モデルである。
  論文  参考訳（メタデータ） (2024-04-23T02:36:54Z)
• 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 of Temporal Distinctiveness for Survival Analysis in Electronic Health Records [10.192973297290136]
  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。
  論文  参考訳（メタデータ） (2023-08-24T22:36:22Z)
• 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)
• Reverse Survival Model (RSM): A Pipeline for Explaining Predictions of Deep Survival Models [0.0]
  本稿では、生存モデルの決定過程に関する詳細な知見を提供する逆生存モデル(RSM)フレームワークを提案する。 興味のある患者それぞれに対して、RCMはデータセットから類似の患者を抽出し、彼らの予測に深い生存モデルが依存する最も関連性の高い特徴に基づいてそれらをランク付けすることができる。
  論文  参考訳（メタデータ） (2022-10-27T03:39:01Z)
• 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)
• 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)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。