論文の概要: Discovery of Generalizable TBI Phenotypes Using Multivariate Time-Series Clustering

• arxiv url: http://arxiv.org/abs/2401.08002v2
• Date: Tue, 20 Aug 2024 22:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-22 23:04:42.909079
• Title: Discovery of Generalizable TBI Phenotypes Using Multivariate Time-Series Clustering
• Title（参考訳）: 多変量時系列クラスタリングによる一般化可能なTBI現象の発見
• Authors: Hamid Ghaderi, Brandon Foreman, Chandan K. Reddy, Vignesh Subbian,
• Abstract要約: 我々の研究は、様々な設定や個体群で一貫して一般化されるTBI表現型に対処する。 解析の結果,TBI表現型は3種類(アルファ,ベータ,ガンマ)であった。 年齢はTBIの結果の重要な決定要因であり、高齢のコホートは死亡率が高い。
• 参考スコア（独自算出の注目度）: 9.959978441977011
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traumatic Brain Injury (TBI) presents a broad spectrum of clinical presentations and outcomes due to its inherent heterogeneity, leading to diverse recovery trajectories and varied therapeutic responses. While many studies have delved into TBI phenotyping for distinct patient populations, identifying TBI phenotypes that consistently generalize across various settings and populations remains a critical research gap. Our research addresses this by employing multivariate time-series clustering to unveil TBI's dynamic intricates. Utilizing a self-supervised learning-based approach to clustering multivariate time-Series data with missing values (SLAC-Time), we analyzed both the research-centric TRACK-TBI and the real-world MIMIC-IV datasets. Remarkably, the optimal hyperparameters of SLAC-Time and the ideal number of clusters remained consistent across these datasets, underscoring SLAC-Time's stability across heterogeneous datasets. Our analysis revealed three generalizable TBI phenotypes ({\alpha}, \b{eta}, and {\gamma}), each exhibiting distinct non-temporal features during emergency department visits, and temporal feature profiles throughout ICU stays. Specifically, phenotype {\alpha} represents mild TBI with a remarkably consistent clinical presentation. In contrast, phenotype \b{eta} signifies severe TBI with diverse clinical manifestations, and phenotype {\gamma} represents a moderate TBI profile in terms of severity and clinical diversity. Age is a significant determinant of TBI outcomes, with older cohorts recording higher mortality rates. Importantly, while certain features varied by age, the core characteristics of TBI manifestations tied to each phenotype remain consistent across diverse populations.
• Abstract（参考訳）: 外傷性脳損傷(TBI)は、その特異な不均一性に起因する幅広い臨床所見と結果を示し、様々な回復軌道と様々な治療反応をもたらす。 多くの研究は、異なる患者集団に対してTBI表現型を研究してきたが、様々な設定や集団にわたって一貫して一般化されるTBI表現型を同定することは、重要な研究ギャップである。 本研究は,TBIの動的複雑度を明らかにするために,多変量時系列クラスタリングを用いてこの問題に対処する。 多変量時系列データをSLAC-Timeでクラスタリングするための自己教師あり学習に基づくアプローチを用いて,研究中心のTRACK-TBIと実世界のMIMIC-IVデータセットの両方を解析した。 注目すべきは、SLAC-Timeの最適なハイパーパラメータと理想的なクラスタ数は、これらのデータセット間で一貫しており、異種データセット間のSLAC-Timeの安定性を裏付けている。 総括的TBI表現型は3種類 ({\alpha, \b{eta}, {\gamma}) で, 救急部訪問時の時間的特徴, ICU滞在時の時間的特徴, ICU滞在時の時間的特徴について検討した。 具体的には、表現型 {\alpha は軽度 TBI であり、非常に一貫した臨床像である。 対照的に、表現型 \b{eta} は多彩な臨床症状を持つ重度のTBIを示し、表現型 {\gamma} は重症度と臨床多様性の点で中程度のTBIプロファイルを示す。 年齢はTBIの結果の重要な決定要因であり、高齢のコホートは死亡率が高い。 重要なことに、特定の特徴は年齢によって異なるが、各表現型に関連付けられたTBIのコア特性は、多様な個体群で一貫している。

関連論文リスト

• 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)
• Rethinking Mitosis Detection: Towards Diverse Data and Feature Representation [30.882319057927052]
  ミトコンドリア検出のための新しい一般化可能なフレームワーク(MitDet)を提案する。 提案手法は,いくつかの一般的なミトーシス検出データセットにおいて,SOTAのアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-12T03:33:11Z)
• CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data [47.2764293508916]
  不均一・高次元マルチオミクスデータの統合は、遺伝データの理解においてますます重要になっている。 マルチオミクスデータ統合を行う際に直面する障害のひとつは、機器の感度とコストによる未ペアリングマルチオミクスデータの存在である。 クロスオミクスを用いたマルチオミクス統合のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-12T00:22:18Z)
• A Self-Supervised Learning-based Approach to Clustering Multivariate Time-Series Data with Missing Values (SLAC-Time): An Application to TBI Phenotyping [8.487912181381404]
  自己教師型学習に基づく多変量時系列データのクラスタリング手法を提案する(SLAC-Time)。 SLAC-TimeはTransformerベースのクラスタリング手法で、ラベルのないデータを活用するためのプロキシタスクとして時系列予測を使用する。 実験により、SLAC-Timeは、シルエット係数、カリンスキー・ハラバスツ指数、ダン指数、デイビース・ボルディン指数の点で、ベースラインのK平均クラスタリングアルゴリズムより優れていることが示された。
  論文  参考訳（メタデータ） (2023-02-27T01:05:17Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。