論文の概要: SurvTimeSurvival: Survival Analysis On The Patient With Multiple Visits/Records

• arxiv url: http://arxiv.org/abs/2311.09854v1
• Date: Thu, 16 Nov 2023 12:30:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 14:19:50.304358
• Title: SurvTimeSurvival: Survival Analysis On The Patient With Multiple Visits/Records
• Title（参考訳）: SurvTimeSurvival: 複数の訪問/記録を持つ患者の生存分析
• Authors: Hung Le, Ong Eng-Jon, Bober Miroslaw
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.66492761632773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The accurate prediction of survival times for patients with severe diseases remains a critical challenge despite recent advances in artificial intelligence. This study introduces "SurvTimeSurvival: Survival Analysis On Patients With Multiple Visits/Records", utilizing the Transformer model to not only handle the complexities of time-varying covariates but also covariates data. We also tackle the data sparsity issue common to survival analysis datasets by integrating synthetic data generation into the learning process of our model. We show that our method outperforms state-of-the-art deep learning approaches on both covariates and time-varying covariates datasets. Our approach aims not only to enhance the understanding of individual patient survival trajectories across various medical conditions, thereby improving prediction accuracy, but also to play a pivotal role in designing clinical trials and creating new treatments.
• Abstract（参考訳）: 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。 本研究では, トランスフォーマーモデルを用いて, 時間変動型共変量の複雑さだけでなく, データの共変量も扱う「survtimesurvival: survival analysis on multiple visits/records」を提案する。 また,モデル学習プロセスに合成データ生成を統合することで,サバイバル解析データセットに共通するデータスパーシティ問題にも対処した。 本手法は,共変量と時変共変量のいずれにおいても,最先端のディープラーニングアプローチに勝ることを示す。 本研究の目的は, 患者個人生存軌跡の理解を深め, 予測精度を向上させるだけでなく, 臨床治験の設計や新しい治療法の創出において重要な役割を担うことである。

関連論文リスト

• SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
  本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
  論文  参考訳（メタデータ） (2024-09-19T12:35:25Z)
• 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)
• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• SAVAE: Leveraging the variational Bayes autoencoder for survival analysis [10.0060346233449]
  SAVAE(Survival Analysis Variational Autoencoder)は,変分オートエンコーダに基づく新しい手法である。 サボエは、生存分析のための調整されたELBOの定式化を導入することにより、この分野に大きく貢献する。 様々な測定値に対して一貫して優れた性能を発揮し、異なる実験を通して頑健さと安定性を実証する一般的な方法を提供する。
  論文  参考訳（メタデータ） (2023-12-22T12:36:50Z)
• 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)
• Integrated Convolutional and Recurrent Neural Networks for Health Risk Prediction using Patient Journey Data with Many Missing Values [9.418011774179794]
  本稿では,統合畳み込みニューラルネットワークとリカレントニューラルネットワークを用いたEMH患者旅行データモデリングのためのエンドツーエンドアプローチを提案する。 本モデルでは,各患者旅行における長期的・短期的時間的パターンを抽出し,インパルスデータ生成を伴わずに,高レベルのEHRデータの欠落を効果的に処理することができる。
  論文  参考訳（メタデータ） (2022-11-11T07:36:18Z)
• 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)
• A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
  変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。 提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
  論文  参考訳（メタデータ） (2021-06-10T14:10:25Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。