論文の概要: MixEHR-SurG: a joint proportional hazard and guided topic model for
inferring mortality-associated topics from electronic health records
- arxiv url: http://arxiv.org/abs/2312.13454v2
- Date: Fri, 8 Mar 2024 13:29:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 22:42:13.781943
- Title: MixEHR-SurG: a joint proportional hazard and guided topic model for
inferring mortality-associated topics from electronic health records
- Title(参考訳): mixehr-surg:電子健康記録から死亡関連トピックを推測するための共同比例ハザードとガイドトピックモデル
- Authors: Yixuan Li, Ariane Marelli, Archer Y. Yang, Yue Li
- Abstract要約: 既存の生存モデルは、高次元データやマルチモーダルデータにスケールしないか、解釈が難しいかのいずれかである。
ヘテロジニアスEHRデータとモデル生存ハザードを同時に統合するために、MixEHR-SurGと呼ばれる教師付きトピックモデルを提案する。
- 参考スコア(独自算出の注目度): 20.623051866014567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing survival models either do not scale to high dimensional and
multi-modal data or are difficult to interpret. In this study, we present a
supervised topic model called MixEHR-SurG to simultaneously integrate
heterogeneous EHR data and model survival hazard. Our contributions are
three-folds: (1) integrating EHR topic inference with Cox proportional hazards
likelihood; (2) integrating patient-specific topic hyperparameters using the
PheCode concepts such that each topic can be identified with exactly one
PheCode-associated phenotype; (3) multi-modal survival topic inference. This
leads to a highly interpretable survival topic model that can infer
PheCode-specific phenotype topics associated with patient mortality. We
evaluated MixEHR-SurG using a simulated dataset and two real-world EHR
datasets: the Quebec Congenital Heart Disease (CHD) data consisting of 8,211
subjects with 75,187 outpatient claim records of 1,767 unique ICD codes; the
MIMIC-III consisting of 1,458 subjects with multi-modal EHR records. Compared
to the baselines, MixEHR-SurG achieved a superior dynamic AUROC for mortality
prediction, with a mean AUROC score of 0.89 in the simulation dataset and a
mean AUROC of 0.645 on the CHD dataset. Qualitatively, MixEHR-SurG associates
severe cardiac conditions with high mortality risk among the CHD patients after
the first heart failure hospitalization and critical brain injuries with
increased mortality among the MIMIC- III patients after their ICU discharge.
Together, the integration of the Cox proportional hazards model and EHR topic
inference in MixEHR-SurG not only leads to competitive mortality prediction but
also meaningful phenotype topics for in-depth survival analysis. The software
is available at GitHub: https://github.com/li-lab-mcgill/MixEHR-SurG.
- Abstract(参考訳): 既存の生存モデルは高次元および多モードのデータにスケールしないか、解釈が難しい。
本研究では、異種EHRデータとモデル生存ハザードを同時に統合するために、MixEHR-SurGと呼ばれる教師付きトピックモデルを提案する。
1) EHR のトピック推論と Cox の比例的ハザードの可能性の統合,(2) PheCode の概念を用いて患者固有のトピックハイパーパラメータを統合することで,それぞれのトピックを PheCode 関連表現型と同一視できる,(3) マルチモーダルサバイバル・トピック推論。
これは、患者死亡に関連するPheCode固有の表現型トピックを推測できる、高度に解釈可能な生存トピックモデルをもたらす。
シミュレートされたデータセットと2つの実世界EHRデータセットを用いてMixEHR-SurGを評価した。ケベック先天性心疾患(CHD)データでは,75,187名,ユニークなICD符号1,767名,MIMIC-IIIは1,458名,マルチモーダルEHRデータである。
ベースラインと比較して、MixEHR-SurGは、シミュレーションデータセットでは平均AUROCスコアが0.89、CHDデータセットでは平均AUROCが0.645、死亡予測では優れた動的AUROCを達成した。
定性的には、MixEHR-SurGは、心不全入院後のCHD患者の重症心疾患と、ICU退院後のMIMIC-III患者の死亡率の増加を伴う重症脳損傷を関連づける。
Cox比例ハザードモデルとEHRトピック推論をMixEHR-SurGに統合することにより、競争的死亡率予測だけでなく、詳細な生存分析のための有意義な表現型トピックも導かれる。
ソフトウェアはGitHubで入手できる: https://github.com/li-lab-mcgill/MixEHR-SurG。
関連論文リスト
- 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) - 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) - A hybrid CNN-RNN approach for survival analysis in a Lung Cancer
Screening study [17.26942882598847]
肺がん検診におけるCNN-RNNの長期生存について検討した。
モデルは心血管障害および呼吸不全の患者で訓練された。
Coxニューラルネットワークは、内部データセットで0.75、外部データセットで0.69のIPCW Cインデックスを達成することができる。
論文 参考訳(メタデータ) (2023-03-19T23:00:41Z) - 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) - Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free
Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。
腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。
患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文 参考訳(メタデータ) (2021-11-06T10:28:48Z) - Supervised multi-specialist topic model with applications on large-scale
electronic health record data [3.322262654060203]
本研究では,MixEHR-Sを,EHRデータから専門分野別トピックを共同推定する。
効率的な推論のために,閉形式崩壊変分推論アルゴリズムを開発した。
MixEHR-Sは3つの応用において、最も予測可能な潜在トピックの中で臨床的に有意義な潜在トピックを授与した。
論文 参考訳(メタデータ) (2021-05-04T01:27:11Z) - 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) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - 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) - Interpretable Machine Learning Model for Early Prediction of Mortality
in Elderly Patients with Multiple Organ Dysfunction Syndrome (MODS): a
Multicenter Retrospective Study and Cross Validation [9.808639780672156]
MODS患者は死亡リスクが高く予後不良である。
本研究は,MODS高齢者の早期死亡予測のための解釈可能・一般化可能なモデルを開発することを目的とする。
論文 参考訳(メタデータ) (2020-01-28T17:15:34Z)
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。