論文の概要: XTSFormer: Cross-Temporal-Scale Transformer for Irregular-Time Event Prediction in Clinical Applications
- arxiv url: http://arxiv.org/abs/2402.02258v2
- Date: Wed, 18 Dec 2024 20:31:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:28:20.013258
- Title: XTSFormer: Cross-Temporal-Scale Transformer for Irregular-Time Event Prediction in Clinical Applications
- Title(参考訳): XTSFormer:不規則事象予測のためのクロステンポラリスケール変圧器の臨床応用
- Authors: Tingsong Xiao, Zelin Xu, Wenchong He, Zhengkun Xiao, Yupu Zhang, Zibo Liu, Shigang Chen, My T. Thai, Jiang Bian, Parisa Rashidi, Zhe Jiang,
- Abstract要約: 非安全ケアに関連する副作用は、米国での死因のトップ10に入る。
イベントデータは、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、複数スケールのイベントインタラクション、長いイベントシーケンスに関連する高い計算コストなど、いくつかのユニークな課題を提起する。
本稿では,時間的不規則なイベントデータに特化して設計されたクロステンポラリスケールトランスフォーマー(XTSFormer)を提案する。
- 参考スコア(独自算出の注目度): 23.946633955844423
- License:
- Abstract: Adverse clinical events related to unsafe care are among the top ten causes of death in the U.S. Accurate modeling and prediction of clinical events from electronic health records (EHRs) play a crucial role in patient safety enhancement. An example is modeling de facto care pathways that characterize common step-by-step plans for treatment or care. However, clinical event data pose several unique challenges, including the irregularity of time intervals between consecutive events, the existence of cycles, periodicity, multi-scale event interactions, and the high computational costs associated with long event sequences. Existing neural temporal point processes (TPPs) methods do not effectively capture the multi-scale nature of event interactions, which is common in many real-world clinical applications. To address these issues, we propose the cross-temporal-scale transformer (XTSFormer), specifically designed for irregularly timed event data. Our model consists of two vital components: a novel Feature-based Cycle-aware Time Positional Encoding (FCPE) that adeptly captures the cyclical nature of time, and a hierarchical multi-scale temporal attention mechanism, where different temporal scales are determined by a bottom-up clustering approach. Extensive experiments on several real-world EHR datasets show that our XTSFormer outperforms multiple baseline methods. The code is available at https://github.com/spatialdatasciencegroup/XTSFormer.
- Abstract(参考訳): 正確なモデリングと電子健康記録(EHR)による臨床イベントの予測は、患者の安全向上に重要な役割を果たす。
例えば、治療やケアのための一般的なステップバイステッププランを特徴付けるデファクトケアパスをモデル化する。
しかし、臨床イベントデータには、連続イベント間の時間間隔の不規則性、周期性、多スケールイベント相互作用、長いイベントシーケンスに関連する高い計算コストなど、いくつかのユニークな課題がある。
既存のニューラル・テンポラル・ポイント・プロセス(TPP)法は、実際の多くの臨床応用で一般的な事象相互作用のマルチスケールの性質を効果的に捉えない。
これらの問題に対処するために、不規則な時間的イベントデータに特化して設計されたクロステンポラリスケールトランスフォーマー(XTSFormer)を提案する。
本モデルでは, 時間周期の性質を包括的に捉えた新しい特徴に基づく周期的時間位置エンコーディング(FCPE)と, ボトムアップクラスタリング手法を用いて時間スケールの異なる時間スケールを決定する階層的マルチスケールの時間アテンション機構の2つの重要な要素から構成される。
いくつかの実世界のEHRデータセットに対する大規模な実験は、XTSFormerが複数のベースライン法より優れていることを示している。
コードはhttps://github.com/spatialdatasciencegroup/XTSFormerで入手できる。
関連論文リスト
- Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。
術後合併症9例の発症予測に基礎的アプローチを応用した。
論文 参考訳(メタデータ) (2024-03-06T19:46:44Z) - Sequential Multi-Dimensional Self-Supervised Learning for Clinical Time
Series [3.635056427544418]
本稿では,臨床時系列データを対象とした自己教師付き学習手法を提案する。
本手法は各レベルにおける損失関数の特定の形態に依存しない。
本手法を実世界の2つの臨床データセットで評価する。
論文 参考訳(メタデータ) (2023-07-20T14:49:58Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳(メタデータ) (2023-03-05T03:54:54Z) - Long-term stable Electromyography classification using Canonical
Correlation Analysis [5.949779668853555]
表面筋電図(sEMG)信号に基づく手のジェスチャーの識別は、補綴器を制御するための確立されたアプローチである。
最も重要な課題の1つは、復号システムを再訓練することなく、数日にわたって高いEMGデータ分類性能を維持することである。
本稿では, 補綴装置の長期制御のために, 複数日にわたってEMG分類性能を安定させる新しい統計手法を提案する。
論文 参考訳(メタデータ) (2023-01-23T21:45:00Z) - Granger Causal Chain Discovery for Sepsis-Associated Derangements via
Continuous-Time Hawkes Processes [10.410454851418548]
拡張性のある2相勾配法を開発し,最大サロゲート形状推定値を求める。
本手法はアトランタのグレーディ病院に入院した患者のデータに拡張され,GCグラフでは敗血症に先行するいくつかの高度に解釈可能なGC鎖を同定した。
論文 参考訳(メタデータ) (2022-09-09T18:21:30Z) - Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。
本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
論文 参考訳(メタデータ) (2022-02-11T01:29:02Z) - Learning Neural Models for Continuous-Time Sequences [0.0]
連続時間イベントシーケンス(CTES)の特性について検討し、上記の問題を克服するために、堅牢でスケーラブルなニューラルネットワークベースモデルを設計する。
本研究では,MTPPを用いた事象の生成過程をモデル化し,現実世界の幅広い問題に対処する。
論文 参考訳(メタデータ) (2021-11-13T20:39:15Z) - Interval-censored Hawkes processes [82.87738318505582]
本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。
我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
論文 参考訳(メタデータ) (2021-04-16T07:29:04Z) - Multi-Scale One-Class Recurrent Neural Networks for Discrete Event
Sequence Anomaly Detection [63.825781848587376]
本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。
具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
論文 参考訳(メタデータ) (2020-08-31T04:48:22Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。