論文の概要: DySurv: Dynamic Deep Learning Model for Survival Prediction in the ICU
- arxiv url: http://arxiv.org/abs/2310.18681v2
- Date: Mon, 4 Mar 2024 10:29:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 01:47:18.928173
- Title: DySurv: Dynamic Deep Learning Model for Survival Prediction in the ICU
- Title(参考訳): DySurv: ICUにおける生存予測のための動的ディープラーニングモデル
- Authors: Munib Mesinovic, Peter Watkinson, Tingting Zhu
- Abstract要約: そこで我々は,DySurvと呼ばれる条件付き変分オートエンコーダ方式を提案する。
DySurvは、患者の電子健康記録からの静的および時系列測定を組み合わせて、死のリスクを動的に見積もっている。
DySurvの予測能力は一貫しており、生存確率は異なるデータセットに分散している。
- 参考スコア(独自算出の注目度): 2.9404725327650767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Survival analysis focuses on estimating time-to-event distributions which can
help in dynamic risk prediction in healthcare. Extending beyond the classical
Cox model, deep learning techniques have been developed which moved away from
the constraining assumptions of proportional hazards. Traditional statistical
models often only include static information where, in this work, we propose a
novel conditional variational autoencoder-based method called DySurv, which
uses a combination of static and time-series measurements from patient
electronic health records to estimate the risk of death dynamically. DySurv has
been tested on several time-to-event benchmarks where it outperforms existing
methods, including deep learning methods, and we evaluate it on real-world
intensive care unit data from MIMIC-IV and eICU. The predictive capacity of
DySurv is consistent and the survival estimates remain disentangled across
different datasets supporting the idea that dynamic deep learning models based
on conditional variational inference in multi-task cases can be robust models
for survival analysis.
- Abstract(参考訳): サバイバル分析は、医療における動的リスク予測に役立つ時間から時間までの分布の推定に焦点を当てている。
古典的coxモデルを超えて、比例ハザードの制約的な仮定から遠ざかるディープラーニング技術が開発されている。
従来の統計モデルは静的な情報しか含まないことが多いが,本研究では,患者電子健康記録からの静的および時系列測定を組み合わせて,死亡リスクを動的に推定する,条件付き変分オートエンコーダベースの手法であるdysurvを提案する。
DySurvは、深層学習を含む既存の手法よりも優れており、MIMIC-IVとeICUの実際の集中治療単位データで評価されている。
DySurvの予測能力は一貫しており、サバイバル推定は、マルチタスクケースにおける条件付き変分推論に基づく動的ディープラーニングモデルがサバイバル分析の堅牢なモデルであるという考えを支持する様々なデータセットに分散している。
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) - 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) - 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) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - 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) - Simulating time to event prediction with spatiotemporal echocardiography
deep learning [12.059859769175281]
ニューラルネットワークを用いてcox-proportional hazardsモデルを拡張することにより、時間対イベント予測の新しい手法を開発した。
専門家の注釈付き射出分数読みに基づくシミュレーションサバイバルデータセットを生成する。
シミュレーションによる生存結果のみを訓練することにより、時間的畳み込みニューラルネットワークが正確な生存推定をもたらすことを示す。
論文 参考訳(メタデータ) (2021-03-03T18:28:33Z) - Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。
よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
論文 参考訳(メタデータ) (2020-12-11T16:27:04Z) - WRSE -- a non-parametric weighted-resolution ensemble for predicting
individual survival distributions in the ICU [0.251657752676152]
集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。
現状の確率モデルと競合する結果を示すとともに,2~9倍のトレーニング時間を大幅に短縮する。
論文 参考訳(メタデータ) (2020-11-02T10:13:59Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - DeepHazard: neural network for time-varying risks [0.6091702876917281]
生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。
我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。
数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2020-07-26T21:01:49Z) - 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。