論文の概要: From Noise to Signal: Unveiling Treatment Effects from Digital Health
Data through Pharmacology-Informed Neural-SDE
- arxiv url: http://arxiv.org/abs/2403.03274v1
- Date: Tue, 5 Mar 2024 19:13:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 17:04:17.096083
- Title: From Noise to Signal: Unveiling Treatment Effects from Digital Health
Data through Pharmacology-Informed Neural-SDE
- Title（参考訳）: ノイズから信号へ:薬理学的インフォームドニューラルSDEによるデジタルヘルスデータによる治療効果
- Authors: Samira Pakravan, Nikolaos Evangelou, Maxime Usdin, Logan Brooks and
James Lu
- Abstract要約: デジタルヘルス技術(DHT)は、患者をパーソナライズし、継続的に、リアルタイムにモニタリングする。
これらの技術から洞察を得るには、臨床に関連のある疾患状態の変化を捉えるための適切なモデリング技術が必要である。
本稿では,これらの課題に対処可能な新しい薬理インフォームド・ニューラル微分方程式(SDE)モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital health technologies (DHT), such as wearable devices, provide
personalized, continuous, and real-time monitoring of patient. These
technologies are contributing to the development of novel therapies and
personalized medicine. Gaining insight from these technologies requires
appropriate modeling techniques to capture clinically-relevant changes in
disease state. The data generated from these devices is characterized by being
stochastic in nature, may have missing elements, and exhibits considerable
inter-individual variability - thereby making it difficult to analyze using
traditional longitudinal modeling techniques. We present a novel
pharmacology-informed neural stochastic differential equation (SDE) model
capable of addressing these challenges. Using synthetic data, we demonstrate
that our approach is effective in identifying treatment effects and learning
causal relationships from stochastic data, thereby enabling counterfactual
simulation.
- Abstract（参考訳）: ウェアラブルデバイスのようなデジタルヘルス技術(DHT)は、患者をパーソナライズし、継続的に、リアルタイムに監視する。
これらの技術は、新しい治療法やパーソナライズド医療の発展に寄与している。
これらの技術から洞察を得るには、臨床関連疾患状態の変化を捉えるための適切なモデリング技術が必要である。
これらのデバイスから生成されるデータは、自然に確率的であり、欠如する要素があり、かなりの個体間変動を示すため、従来の縦型モデリング技術を用いて分析することが困難である。
本稿では,これらの課題に対処可能な新しい薬理インフォームドニューラル確率微分方程式(SDE)モデルを提案する。
合成データを用いて, 治療効果を同定し, 確率的データから因果関係を学習する手法が有効であることを実証し, 反事実シミュレーションを可能にした。
関連論文リスト
- CEHR-GPT: Generating Electronic Health Records with Chronological Patient Timelines [14.386260536090628]
我々は合成データ生成に焦点をあて、特定の患者表現を用いてGPTモデルを訓練する能力を実証する。
これにより、観察医療成果パートナーシップ(OMOP)データフォーマットにシームレスに変換できる患者シーケンスを生成することができる。
論文 参考訳（メタデータ） (2024-02-06T20:58:36Z) - Digital Twins for Patient Care via Knowledge Graphs and Closed-Form
Continuous-Time Liquid Neural Networks [0.0]
デジタル双生児は、製造業、サプライチェーンのロジスティクス、土木インフラなどの産業で急速に勢いを増している。
マルチモーダル患者データを用いた複雑な疾患のモデル化の課題と、その解析の複雑さは、生体医療分野におけるデジタル双生児の採用を阻害している。
本稿では,計算コストとモデリング複雑さによる臨床双対モデリングの障壁に対処する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-07-08T12:52:31Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In
Silico Experiments [12.019996672009375]
人間のモデルからリアルなシミュレートされた画像を作成することは、大規模なIn situデータ収集の代替となることを示す。
人体モデルからの学習データの合成は、容易にスケールできるので、我々がSyntheXと呼ぶX線画像解析のためのモデル転送パラダイムが、実際のデータ学習モデルよりも優れていることが分かりました。
論文 参考訳（メタデータ） (2022-06-13T13:08:41Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。