Fugu-MT 論文翻訳(概要): HgbNet: predicting hemoglobin level/anemia degree from EHR data

論文の概要: HgbNet: predicting hemoglobin level/anemia degree from EHR data

arxiv url: http://arxiv.org/abs/2401.12002v1
Date: Mon, 22 Jan 2024 14:52:34 GMT
ステータス: 処理完了
システム内更新日: 2024-01-23 13:48:36.029368
Title: HgbNet: predicting hemoglobin level/anemia degree from EHR data
Title（参考訳）: HgbNet : EHRデータによるヘモグロビンレベル/貧血度予測
Authors: Zhuo Zhi, Moe Elbadawi, Adam Daneshmend, Mine Orlu, Abdul Basit, Andreas Demosthenous, Miguel Rodrigues
Abstract要約: 貧血は一般的な医学疾患であり、診断とモニタリングには侵襲的な血液検査が必要である。我々の知る限り、HgbNetはヘモグロビンレベル/貧血度予測にEHRデータを活用する最初の機械学習モデルである。
参考スコア（独自算出の注目度）: 3.941824537790665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anemia is a prevalent medical condition that typically requires invasive blood tests for diagnosis and monitoring. Electronic health records (EHRs) have emerged as valuable data sources for numerous medical studies. EHR-based hemoglobin level/anemia degree prediction is non-invasive and rapid but still faces some challenges due to the fact that EHR data is typically an irregular multivariate time series containing a significant number of missing values and irregular time intervals. To address these issues, we introduce HgbNet, a machine learning-based prediction model that emulates clinicians' decision-making processes for hemoglobin level/anemia degree prediction. The model incorporates a NanDense layer with a missing indicator to handle missing values and employs attention mechanisms to account for both local irregularity and global irregularity. We evaluate the proposed method using two real-world datasets across two use cases. In our first use case, we predict hemoglobin level/anemia degree at moment T+1 by utilizing records from moments prior to T+1. In our second use case, we integrate all historical records with additional selected test results at moment T+1 to predict hemoglobin level/anemia degree at the same moment, T+1. HgbNet outperforms the best baseline results across all datasets and use cases. These findings demonstrate the feasibility of estimating hemoglobin levels and anemia degree from EHR data, positioning HgbNet as an effective non-invasive anemia diagnosis solution that could potentially enhance the quality of life for millions of affected individuals worldwide. To our knowledge, HgbNet is the first machine learning model leveraging EHR data for hemoglobin level/anemia degree prediction.
Abstract（参考訳）: 貧血は一般的な医学疾患であり、診断とモニタリングには侵襲的な血液検査が必要である。電子健康記録 (EHRs) は、多くの医学研究において貴重なデータ源となっている。 EHRベースのヘモグロビンレベル/貧血度予測は非侵襲的で急速であるが、EHRデータは典型的にはかなりの数の欠落値と不規則な時間間隔を含む多変量時系列であるため、いくつかの課題に直面している。これらの問題に対処するために、ヘモグロビンレベル/貧血度予測のための臨床医の意思決定プロセスをエミュレートする機械学習ベースの予測モデルであるHgbNetを紹介する。このモデルはナンデンス層と不足した値を扱う指標を組み込んでおり、局所的な不規則性とグローバルな不規則性の両方を考慮した注意機構を採用している。 2つのユースケースにわたる実世界のデータセットを用いて提案手法を評価する。最初の症例では, ヘモグロビン濃度/貧血度をT+1以前の記録を用いて予測した。第2のユースケースでは,すべての履歴記録をt+1時点で追加で選択したテスト結果と統合し,同時にヘモグロビンレベル/貧血度を予測する。 hgbnetは、すべてのデータセットとユースケースで最高のベースライン結果を上回る。これらの結果は、ehlデータからヘモグロビン濃度と貧血度を推定する可能性を示し、hgbnetを世界中の何百万人もの影響を受けた人の生活の質を高める効果的な非侵襲性貧血診断ソリューションと位置づけている。我々の知る限り、HgbNetはヘモグロビンレベル/貧血度予測にEHRデータを活用する最初の機械学習モデルである。

関連論文リスト

A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
論文参考訳（メタデータ） (2024-10-18T15:23:34Z)
SGUQ: Staged Graph Convolution Neural Network for Alzheimer's Disease Diagnosis using Multi-Omics Data [7.090283934070421]
アルツハイマー病(英語: Alzheimer's disease、AD)は、慢性神経変性疾患であり、認知症の主要な原因である。従来のアプローチでは、通常、最適なAD診断を達成するために、すべてのオミクスデータを最初から完了する必要がある。我々は不確実性定量化(SGUQ)を用いたグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2024-10-14T19:51:32Z)
Comparison of Epilepsy Induced by Ischemic Hypoxic Brain Injury and Hypoglycemic Brain Injury using Multilevel Fusion of Data Features [0.0]
本研究は、低酸素虚血(HI)、低血糖、てんかんによる脳損傷の類似性と相違について検討することを目的とする。
論文参考訳（メタデータ） (2024-09-03T08:25:52Z)
From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。今後4年間の健康状態も予測できる。
論文参考訳（メタデータ） (2024-08-20T13:19:06Z)
Out-of-distribution Reject Option Method for Dataset Shift Problem in Early Disease Onset Prediction [2.109347212067322]
本稿では,データセットのシフト効果を低減させるために,予測(ODROP)のアウト・オブ・ディストリビューション・リジェクションオプションを提案する。 ODROPは、OOD検出モデルを統合して、予測フェーズからOODデータを阻止する。本研究は、OOD検出を実際の健康・医療データに適用し、疾患予測モデルの精度と信頼性を大幅に向上させる可能性を実証した最初のものである。
論文参考訳（メタデータ） (2024-05-30T09:14:01Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
A smartphone based multi input workflow for non-invasive estimation of haemoglobin levels using machine learning techniques [0.2519906683279153]
画像処理,機械学習,ディープラーニングを組み合わせることで,ヘモグロビン濃度を測定する予測モデルを開発する。これは、患者の指爪床、頭蓋結膜、舌の色解析によって達成される。
論文参考訳（メタデータ） (2020-11-29T13:57:09Z)
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)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。