論文の概要: Modeling methodology for the accurate and prompt prediction of
symptomatic events in chronic diseases
- arxiv url: http://arxiv.org/abs/2402.10972v1
- Date: Thu, 15 Feb 2024 08:30:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 00:14:32.421907
- Title: Modeling methodology for the accurate and prompt prediction of
symptomatic events in chronic diseases
- Title(参考訳): 慢性疾患における症状事象の正確かつ迅速な予測のためのモデリング手法
- Authors: Josu\'e Pag\'an, Jos\'e L. Risco-Mart\'in, Jos\'e M. Moya and Jos\'e
L. Ayala
- Abstract要約: 慢性疾患における症状発生の予測は、症状が起こる前に決定を下すことができる。
本報告では,慢性疾患の症状的危機の予測限界について検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Prediction of symptomatic crises in chronic diseases allows to take decisions
before the symptoms occur, such as the intake of drugs to avoid the symptoms or
the activation of medical alarms. The prediction horizon is in this case an
important parameter in order to fulfill the pharmacokinetics of medications, or
the time response of medical services. This paper presents a study about the
prediction limits of a chronic disease with symptomatic crises: the migraine.
For that purpose, this work develops a methodology to build predictive migraine
models and to improve these predictions beyond the limits of the initial
models. The maximum prediction horizon is analyzed, and its dependency on the
selected features is studied. A strategy for model selection is proposed to
tackle the trade off between conservative but robust predictive models, with
respect to less accurate predictions with higher horizons. The obtained results
show a prediction horizon close to 40 minutes, which is in the time range of
the drug pharmacokinetics. Experiments have been performed in a realistic
scenario where input data have been acquired in an ambulatory clinical study by
the deployment of a non-intrusive Wireless Body Sensor Network. Our results
provide an effective methodology for the selection of the future horizon in the
development of prediction algorithms for diseases experiencing symptomatic
crises.
- Abstract(参考訳): 慢性疾患における症状発生の予測は、症状を避けるための薬物の摂取や医療警報の活性化など、症状が起こる前に決定することができる。
この場合の予測地平線は、医薬品の薬物動態や医療サービスの時間応答を満たすための重要なパラメータである。
本稿では,慢性疾患における症状性障害の予測限界である片頭痛について検討する。
この目的のために、この研究は予測的な片頭痛モデルを構築し、初期モデルの限界を超えてこれらの予測を改善する手法を開発する。
最大予測地平線を解析し、選択した特徴への依存について検討する。
モデル選択のための戦略は、高い地平線を持つ精度の低い予測に対して、保守的だが堅牢な予測モデル間のトレードオフに取り組むために提案される。
得られた結果は,薬物動態の時間範囲である40分付近の予測地平線を示した。
非侵入性無線体センサネットワークの展開により, 臨床実験において入力データが取得された現実的なシナリオで実験が実施されている。
本研究は,症状を呈する疾患の予測アルゴリズムの開発において,今後の地平線の選択に有効な手法を提供する。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-07-24T04:47:36Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - 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) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳(メタデータ) (2020-12-24T05:19:03Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - A scoping review of causal methods enabling predictions under
hypothetical interventions [4.801185839732629]
意思決定を支援するために予測モデルを使用する場合、仮説的な介入の下で結果を予測する必要があることが多い。
我々は,2019年12月までに出版された文献を体系的にレビューし,仮説的介入による予測モデルの使用を可能にするために因果的考察を用いた健康領域の論文を考察した。
臨床予測モデルへの仮説的介入の下での予測を可能にするための2つの幅広い方法論的アプローチが存在する。
論文 参考訳(メタデータ) (2020-11-19T13:36:26Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-11-18T23:13:48Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Deep Recurrent Model for Individualized Prediction of Alzheimer's
Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。
本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-06T08:08:00Z) - Machine Learning for Predicting Epileptic Seizures Using EEG Signals: A
Review [1.7959899851975951]
脳波信号を用いた発作の早期予測における最先端ML手法のレビューを行う。
前もって予測できた場合、てんかん発作の悪影響から患者を救える。
MLベースのアルゴリズムには、てんかん発作の早期かつ正確な予測においてパラダイムシフトをもたらす可能性がある、エキサイティングな新しい展開がある。
論文 参考訳(メタデータ) (2020-02-04T06:22:24Z)
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。