論文の概要: Event-Based Contrastive Learning for Medical Time Series
- arxiv url: http://arxiv.org/abs/2312.10308v2
- Date: Thu, 8 Feb 2024 05:20:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 18:48:01.106209
- Title: Event-Based Contrastive Learning for Medical Time Series
- Title(参考訳): 医用時系列におけるイベントベースコントラスト学習
- Authors: Hyewon Jeong, Nassim Oufattole, Matthew Mcdermott, Aparna Balagopalan,
Bryan Jangeesingh, Marzyeh Ghassemi, Collin Stultz
- Abstract要約: Event-Based Contrastive Learning (EBCL) は異種患者データの埋め込みを学習する手法である。
EBCLは、心不全コホートのための重要な下流タスクにおいて、より良い微調整性能をもたらすモデルを生成する。
- 参考スコア(独自算出の注目度): 12.28335042260331
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In clinical practice, one often needs to identify whether a patient is at
high risk of adverse outcomes after some key medical event; for example, the
short-term risk of death after an admission for heart failure. This task is
challenging due to the complexity, variability, and heterogeneity of
longitudinal medical data, especially for individuals suffering from chronic
diseases like heart failure. In this paper, we introduce Event-Based
Contrastive Learning (EBCL), a method for learning embeddings of heterogeneous
patient data that preserves temporal information before and after key index
events. We demonstrate that EBCL produces models that yield better fine-tuning
performance on critical downstream tasks for a heart failure cohort, including
30-day readmission, 1-year mortality, and 1-week length of stay, relative to
other pretraining methods. Our findings also reveal that EBCL pretraining alone
can effectively cluster patients with similar mortality and readmission risks,
offering valuable insights for clinical decision-making and personalized
patient care.
- Abstract(参考訳): 臨床実践では、患者が重要な医療イベント後の副作用のリスクが高いか、例えば、心不全の入院後の死亡の短期リスクが高いかを特定する必要があることが多い。
この課題は、特に心不全などの慢性疾患に苦しむ個人にとって、縦断的医療データの複雑さ、変動性、不均一性のために困難である。
本稿では,キーインデックスイベント前後の時間情報を保存する異種患者データの埋め込み学習手法であるevent-based contrastive learning (ebcl)を提案する。
EBCLは,30日間の寛解,1年間の死亡,1週間の滞在期間を含む,心不全コホートにおける重要な下流タスクに対して,他の訓練方法と比較して,より微調整性能の高いモデルを生成することを示した。
また,EBCLプリトレーニング単独で同様の死亡率と寛解リスクを有する患者を効果的にクラスタリングし,臨床的意思決定やパーソナライズされた患者ケアに有用な洞察を与えることができた。
関連論文リスト
- Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。
本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。
病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文 参考訳(メタデータ) (2023-12-11T21:53:40Z) - Enhancing Mortality Prediction in Heart Failure Patients: Exploring
Preprocessing Methods for Imbalanced Clinical Datasets [0.0]
心不全 (Heart failure, HF) は、患者の管理決定を導く上で、死亡率の正確な予測が重要な役割を果たす重要な疾患である。
本稿では,スケーリング,アウトレーヤ処理,再サンプリングを含む包括的事前処理フレームワークを提案する。
適切な前処理技術と機械学習(ML)アルゴリズムを活用することで,HF患者の死亡予測性能を向上させることを目指す。
論文 参考訳(メタデータ) (2023-09-30T18:31:15Z) - 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) - 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) - Predicting adverse outcomes following catheter ablation treatment for
atrial fibrillation [2.202746751854349]
AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。
伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
論文 参考訳(メタデータ) (2022-11-22T02:55:51Z) - 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) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳(メタデータ) (2022-04-07T22:14:37Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳(メタデータ) (2020-07-20T19:08:50Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z)
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。