論文の概要: Data-driven subgrouping of patient trajectories with chronic diseases: Evidence from low back pain

• arxiv url: http://arxiv.org/abs/2404.10580v1
• Date: Tue, 16 Apr 2024 14:05:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 16:34:29.960359
• Title: Data-driven subgrouping of patient trajectories with chronic diseases: Evidence from low back pain
• Title（参考訳）: 慢性疾患を伴う患者軌跡のデータ駆動的サブグループ化:腰痛による証拠
• Authors: Christof Naumzik, Alice Kongsted, Werner Vach, Stefan Feuerriegel,
• Abstract要約: 本稿では,慢性疾患からの患者軌跡を分類するための隠れマルコフモデルを提案する。 我々のモデルは確率的であり、慢性疾患の異なる軌跡を捉えるために慎重に設計されている。 我々のサブグループ化フレームワークはクラスタ妥当性指標の点で共通ベースラインを上回っていることを示す。
• 参考スコア（独自算出の注目度）: 18.837597864085865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical data informs the personalization of health care with a potential for more effective disease management. In practice, this is achieved by subgrouping, whereby clusters with similar patient characteristics are identified and then receive customized treatment plans with the goal of targeting subgroup-specific disease dynamics. In this paper, we propose a novel mixture hidden Markov model for subgrouping patient trajectories from chronic diseases. Our model is probabilistic and carefully designed to capture different trajectory phases of chronic diseases (i.e., "severe", "moderate", and "mild") through tailored latent states. We demonstrate our subgrouping framework based on a longitudinal study across 847 patients with non-specific low back pain. Here, our subgrouping framework identifies 8 subgroups. Further, we show that our subgrouping framework outperforms common baselines in terms of cluster validity indices. Finally, we discuss the applicability of the model to other chronic and long-lasting diseases.
• Abstract（参考訳）: 臨床データは、より効果的な疾患管理の可能性を秘め、医療のパーソナライズを通知する。 実際には、これはサブグループ化によって達成され、類似の患者特性を持つクラスターを識別し、サブグループ固有の疾患動態をターゲットとした、カスタマイズされた治療計画を受ける。 本稿では,慢性疾患からの患者軌跡を分類するための隠れマルコフモデルを提案する。 我々のモデルは確率論的であり、高度に調整された潜在状態を通して、慢性疾患の異なる軌跡(「重篤」、「モデレート」、そして「マイルド」)を捉えるために慎重に設計されている。 非特異的腰痛847例を対象とした縦断的研究に基づいて,本サブグループ化の枠組みを実証した。 ここで、我々のサブグループ化フレームワークは8つのサブグループを識別する。 さらに,我々のサブグループ化フレームワークは,クラスタ妥当性指標の点で,共通ベースラインを上回っていることを示す。 最後に、他の慢性および長期の疾患に対するモデルの適用性について論じる。

関連論文リスト

• Identifying latent disease factors differently expressed in patient subgroups using group factor analysis [54.67330718129736]
  本稿では,サブグループ特異的およびサブグループ共通潜在因子を明らかにするための新しいアプローチを提案する。 提案手法は,正規化されたホースシュー先行群を用いたスパース群因子解析 (GFA) であり,確率計画法を用いて実装した。
  論文  参考訳（メタデータ） (2024-10-10T13:12:14Z)
• Federated unsupervised random forest for privacy-preserving patient stratification [0.4499833362998487]
  教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。 我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。 本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:04:14Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Longitudinal patient stratification of electronic health records with flexible adjustment for clinical outcomes [0.7874708385247353]
  我々は、再構成、結果、クラスタリング損失を用いて、ERHデータをクラスタリングするリカレントニューラルネットワークオートエンコーダを開発する。 糖尿病患者29,229ドルの患者を対象に,異なる軌跡と異なる結果の患者集団のモデル性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T11:21:39Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease [3.1564542805009332]
  当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。 本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T01:18:33Z)
• Multi-objective semi-supervised clustering to identify health service patterns for injured patients [37.19379872580349]
  グループ化は、負傷後1週間以内の医療サービス利用における特徴的なパターンに基づいている。 グループはまた、薬物処理の総コストに関する予測情報も提供します。
  論文  参考訳（メタデータ） (2020-11-16T06:43:21Z)
• 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)
• 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)

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。