論文の概要: Process-Aware Analysis of Treatment Paths in Heart Failure Patients: A Case Study

• arxiv url: http://arxiv.org/abs/2403.10544v1
• Date: Mon, 11 Mar 2024 09:33:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:56:27.265328
• Title: Process-Aware Analysis of Treatment Paths in Heart Failure Patients: A Case Study
• Title（参考訳）: 心不全患者の治療経路のプロセス認識分析 : 症例的検討
• Authors: Harry H. Beyel, Marlo Verket, Viki Peeva, Christian Rennert, Marco Pegoraro, Katharina Schütt, Wil M. P. van der Aalst, Nikolaus Marx,
• Abstract要約: スパース心不全データにプロセスマイニング手法を適用した。 患者は糖尿病や慢性腎臓病などの共病性に基づいて、異なるコホートに分けられる。 我々は,患者が循環器疾患を発症するかどうか,患者が死亡するかどうかを判断するために決定マイニングを適用した。
• 参考スコア（独自算出の注目度）: 0.10539847330971804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Process mining in healthcare presents a range of challenges when working with different types of data within the healthcare domain. There is high diversity considering the variety of data collected from healthcare processes: operational processes given by claims data, a collection of events during surgery, data related to pre-operative and post-operative care, and high-level data collections based on regular ambulant visits with no apparent events. In this case study, a data set from the last category is analyzed. We apply process-mining techniques on sparse patient heart failure data and investigate whether an information gain towards several research questions is achievable. Here, available data are transformed into an event log format, and process discovery and conformance checking are applied. Additionally, patients are split into different cohorts based on comorbidities, such as diabetes and chronic kidney disease, and multiple statistics are compared between the cohorts. Conclusively, we apply decision mining to determine whether a patient will have a cardiovascular outcome and whether a patient will die.
• Abstract（参考訳）: 医療におけるプロセスマイニングは、医療領域内のさまざまなタイプのデータを扱う際に、さまざまな課題を提示します。 医療プロセスから収集されたさまざまなデータを考慮すると、クレームデータによる運用プロセス、手術中のイベントの収集、術前および術後のケアに関するデータ、および明らかなイベントのない定期的な乱視訪問に基づく高レベルのデータ収集など、多種多様である。 このケーススタディでは、最終カテゴリのデータセットを分析します。 本研究では,スパース心不全データにプロセスマイニング手法を適用し,いくつかの研究課題への情報提供が可能かどうかを検討する。 ここでは、利用可能なデータがイベントログ形式に変換され、プロセスの検出と適合性チェックが適用される。 さらに、患者は糖尿病や慢性腎臓病などの相同性に基づいて異なるコホートに分けられ、複数の統計値がコホート間で比較される。 結論として, 患者が循環器疾患を発症するかどうか, 患者が死亡するかどうかを判断するために, 決定マイニングを適用した。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Event-Based Contrastive Learning for Medical Time Series [11.696805672885798]
  Event-Based Contrastive Learning (EBCL) は異種患者データの埋め込みを学習する手法である。 EBCLが重要な下流タスクの性能向上をもたらすモデルを構築するのに利用できることを示す。
  論文  参考訳（メタデータ） (2023-12-16T03:50:24Z)
• Dynamic Healthcare Embeddings for Improving Patient Care [0.0]
  患者, 医師, 部屋, 薬品の動的埋め込みを学習するための, 異種共進化型動的ニューラルネットワークDECENTを提案する。 学習した患者埋め込みを予測モデルに用いた結果、DECENTは死亡リスク予測タスクで最大48.1%向上していることがわかった。 学習した医師、薬品、部屋の埋め込みに関するケーススタディは、我々のアプローチが有意義で解釈可能な埋め込みを学習していることを示している。
  論文  参考訳（メタデータ） (2023-03-21T03:14:15Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Analyzing Medical Data with Process Mining: a COVID-19 Case Study [0.6948550171113752]
  患者の歴史を示すタイムスタンプを含む医療記録は、医療情報の出来事のシーケンスとしての表現を可能にした。 我々は, プロセスマイニング技術により, 新型コロナウイルス患者に対するICU治療のモデルを再構築できることを実証した。
  論文  参考訳（メタデータ） (2022-02-08T09:23:15Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Patient Similarity Analysis with Longitudinal Health Data [0.5249805590164901]
  電子健康記録には、医療訪問、検査、手順、および結果に関する時間分解情報が含まれている。 これらの旅の類似性を評価することで、共通の病気の軌跡を共通の健康結果とともに発見することができる。 特定のクラスタへの患者旅行の割り当ては、パーソナライズされた結果予測と治療選択の基礎となる可能性がある。
  論文  参考訳（メタデータ） (2020-05-14T07:06:02Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。