Fugu-MT 論文翻訳(概要): Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission

論文の概要: Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission

arxiv url: http://arxiv.org/abs/2403.06999v1
Date: Mon, 4 Mar 2024 10:46:02 GMT
ステータス: 処理完了
システム内更新日: 2024-03-17 16:41:26.715067
Title: Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission
Title（参考訳）: ディープラーニング・機械学習・統計的手法を用いた生存モデリング:入院後の死亡予測のための比較分析
Authors: Ziwen Wang, Jin Wee Lee, Tanujit Chakraborty, Yilin Ning, Mingxuan Liu, Feng Xie, Marcus Eng Hock Ong, Nan Liu,
Abstract要約: コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。 C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
参考スコア（独自算出の注目度）: 9.719996519981333
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Survival analysis is essential for studying time-to-event outcomes and providing a dynamic understanding of the probability of an event occurring over time. Various survival analysis techniques, from traditional statistical models to state-of-the-art machine learning algorithms, support healthcare intervention and policy decisions. However, there remains ongoing discussion about their comparative performance. We conducted a comparative study of several survival analysis methods, including Cox proportional hazards (CoxPH), stepwise CoxPH, elastic net penalized Cox model, Random Survival Forests (RSF), Gradient Boosting machine (GBM) learning, AutoScore-Survival, DeepSurv, time-dependent Cox model based on neural network (CoxTime), and DeepHit survival neural network. We applied the concordance index (C-index) for model goodness-of-fit, and integral Brier scores (IBS) for calibration, and considered the model interpretability. As a case study, we performed a retrospective analysis of patients admitted through the emergency department of a tertiary hospital from 2017 to 2019, predicting 90-day all-cause mortality based on patient demographics, clinicopathological features, and historical data. The results of the C-index indicate that deep learning achieved comparable performance, with DeepSurv producing the best discrimination (DeepSurv: 0.893; CoxTime: 0.892; DeepHit: 0.891). The calibration of DeepSurv (IBS: 0.041) performed the best, followed by RSF (IBS: 0.042) and GBM (IBS: 0.0421), all using the full variables. Moreover, AutoScore-Survival, using a minimal variable subset, is easy to interpret, and can achieve good discrimination and calibration (C-index: 0.867; IBS: 0.044). While all models were satisfactory, DeepSurv exhibited the best discrimination and calibration. In addition, AutoScore-Survival offers a more parsimonious model and excellent interpretability.
Abstract（参考訳）: 生存分析は、時間から時間までの結果を研究し、時間とともに起こる事象の確率を動的に理解するために不可欠である。従来の統計モデルから最先端の機械学習アルゴリズムまで、さまざまなサバイバル分析技術は、医療介入と政策決定をサポートする。しかし、その比較性能については現在も議論が続いている。コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル(RSF)、ランダムサバイバルフォレスト(Random Survival Forests)、グラディエントブースティングマシン(GBM)学習、オートスコアサバイバル(AutoScore-Survival)、ディープサーブ(DeepSurv)、ニューラルネットワーク(CoxTime)に基づく時間依存コックスモデル(DeepHitサバイバルニューラルネットワーク)など、いくつかの生存分析手法の比較検討を行った。モデル適合度にはコンコーダンス指標(C-index)を適用し,キャリブレーションには積分ブライアスコア(IBS)を適用し,モデルの解釈可能性を検討した。ケーススタディでは,2017年から2019年まで,第3次病院救急科で入院した患者の振り返り分析を行い,患者の人口動態,臨床病理学的特徴,過去のデータから90日間の死亡率を予測した。 C-indexの結果、DeepSurvは最高の差別を生み出す(DeepSurv: 0.893; CoxTime: 0.892; DeepHit: 0.891)。 DeepSurv (IBS: 0.041) のキャリブレーションは最高であり、次に RSF (IBS: 0.042) と GBM (IBS: 0.0421) が全変数を使用した。さらに、AutoScore-Survivalは最小限の変数部分集合を使い、容易に解釈でき、優れた識別と校正を行うことができる(C-index: 0.867; IBS: 0.044)。すべてのモデルは満足のいくものだったが、DeepSurvは最高の差別と校正を示した。さらにAutoScore-Survivalは、より微妙なモデルと優れた解釈性を提供する。

関連論文リスト

CoxKAN: Kolmogorov-Arnold Networks for Interpretable, High-Performance Survival Analysis [0.3213991044370425]
Kolmogorov-Arnold Networks (KAN) は、最近多層パーセプトロン(MLP)の解釈可能かつ正確な代替として提案されている。我々は,Cox比例ハザードであるCoxKANを,解釈可能な高性能サバイバル解析のために導入する。
論文参考訳（メタデータ） (2024-09-06T13:59:58Z)
Towards Clinical Prediction with Transparency: An Explainable AI Approach to Survival Modelling in Residential Aged Care [0.0]
この研究は、機械学習を用いて高齢者ケアの生存モデルを作成し、死亡リスク要因に関する臨床的知見と一致させる。主な死亡率予測には、年齢、男性性、移動性、健康状態、圧力潰瘍リスク、食欲などが含まれる。
論文参考訳（メタデータ） (2023-12-01T01:11:16Z)
Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文参考訳（メタデータ） (2023-10-24T02:56:05Z)
CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文参考訳（メタデータ） (2023-09-07T17:07:33Z)
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)
FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
論文参考訳（メタデータ） (2022-08-21T03:35:29Z)
FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis [9.659041001051415]
我々はフェデプゼウドと呼ばれるフェデレーションサバイバル分析のための擬似値ベース深層学習モデルを提案する。提案するFLフレームワークは,最良に訓練された深層生存分析モデルと同等の性能を達成している。
論文参考訳（メタデータ） (2022-07-12T01:10:36Z)
Development of an accessible 10-year Digital CArdioVAscular (DiCAVA) risk assessment: a UK Biobank study [0.46180371154032895]
目標は、統計的および機械学習技術を使用して新しいリスクモデル(DiCAVA)を開発することであった。第二の目標は、CVDリスクアセスメントに組み込むことができる新しい患者中心変数を特定することでした。
論文参考訳（メタデータ） (2021-04-20T16:01:50Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Deep Cox Mixtures for Survival Regression [11.64579638651557]
本稿では,Cox回帰の学習混合物をモデルとした生存分析回帰モデルに対する新しいアプローチについて述べる。我々は、複数の実世界のデータセットで実験を行い、民族や性別にまたがる患者の死亡率を調べる。
論文参考訳（メタデータ） (2021-01-16T22:41:22Z)
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)

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。