論文の概要: Static and multivariate-temporal attentive fusion transformer for readmission risk prediction

• arxiv url: http://arxiv.org/abs/2407.11096v1
• Date: Mon, 15 Jul 2024 03:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 19:50:52.990535
• Title: Static and multivariate-temporal attentive fusion transformer for readmission risk prediction
• Title（参考訳）: 可読リスク予測のための静的及び多変量時間減衰核融合変圧器
• Authors: Zhe Sun, Runzhi Li, Jing Wang, Gang Chen, Siyu Yan, Lihong Ma,
• Abstract要約: ICU患者の短期的寛解を予測するため, SMTAFormer を新たに提案する。 提案手法の精度は最大86.6%であり,受信機動作特性曲線(AUC)の面積は最大0.717である。
• 参考スコア（独自算出の注目度）: 9.059101159859818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Accurate short-term readmission prediction of ICU patients is significant in improving the efficiency of resource assignment by assisting physicians in making discharge decisions. Clinically, both individual static static and multivariate temporal data collected from ICU monitors play critical roles in short-term readmission prediction. Informative static and multivariate temporal feature representation capturing and fusion present challenges for accurate readmission prediction. Methods:We propose a novel static and multivariate-temporal attentive fusion transformer (SMTAFormer) to predict short-term readmission of ICU patients by fully leveraging the potential of demographic and dynamic temporal data. In SMTAFormer, we first apply an MLP network and a temporal transformer network to learn useful static and temporal feature representations, respectively. Then, the well-designed static and multivariate temporal feature fusion module is applied to fuse static and temporal feature representations by modeling intra-correlation among multivariate temporal features and constructing inter-correlation between static and multivariate temporal features. Results: We construct a readmission risk assessment (RRA) dataset based on the MIMIC-III dataset. The extensive experiments show that SMTAFormer outperforms advanced methods, in which the accuracy of our proposed method is up to 86.6%, and the area under the receiver operating characteristic curve (AUC) is up to 0.717. Conclusion: Our proposed SMTAFormer can efficiently capture and fuse static and multivariate temporal feature representations. The results show that SMTAFormer significantly improves the short-term readmission prediction performance of ICU patients through comparisons to strong baselines.
• Abstract（参考訳）: 背景: ICU患者の短期的寛容予測の正確性は, 退院決定における医師の支援による資源割当の効率化に重要である。 臨床的には、ICUモニタから収集された静的および多変量時間データの両方が、短時間の読み出し予測において重要な役割を果たす。 Informative static and multivariate temporal feature representation capture and fusion present challenges for accurate readmission prediction。 方法: 人口統計学的および動的時間的データの可能性を完全に活用して, ICU患者の短期的寛解を予測するため, SMTAFormer を新たに提案する。 SMTAFormerでは、まずMLPネットワークと時間変換ネットワークを適用して、それぞれ有用な静的特徴表現と時間的特徴表現を学習する。 次に、多変量時間的特徴間の相関をモデル化し、静的特徴と多変量時間的特徴の相互相関を構築することで、静的特徴と時間的特徴の融合モジュールを融合させる。 結果:MIMIC-IIIデータセットに基づいて,RRAデータセットを構築した。 SMTAFormerは,提案手法の精度を最大86.6%,受信器動作特性曲線(AUC)の面積を最大0.717。 結論:提案するSMTAFormerは,静的かつ多変量な時間的特徴表現を効率的に捕捉・融合することができる。 その結果,SMTAFormerはICU患者の短期寛容予測性能を,強いベースラインと比較して有意に向上させることがわかった。

関連論文リスト

• TFT-multi: simultaneous forecasting of vital sign trajectories in the ICU [0.0]
  医療データにおける軌道予測は、計算手法の精度ケアと臨床統合において重要な研究領域である。 我々は、多次元時系列予測ツールであるフレームワーク時間融合変換器(TFT)を拡張し、TFT-multiを提案する。 集中治療室で記録された5つのバイタルサイン (血圧, 脈拍, SpO2, 温度, 呼吸速度) の予測にTFT-multiを適用した。
  論文  参考訳（メタデータ） (2024-09-23T22:36:37Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Multimodal Interpretable Data-Driven Models for Early Prediction of Antimicrobial Multidrug Resistance Using Multivariate Time-Series [6.804748007823268]
  本稿では,フエンラブラダ大学附属病院の集中治療室 (ICU) における抗微生物多剤耐性 (AMR) 菌の出現を予測し, 理解することのできる, 解釈可能なマルチモーダルデータ駆動モデルの集合体上に構築したアプローチを提案する。 患者のプロファイルと初期健康状態は静的変数を用いてモデル化され、ICU滞在中の患者の健康状態の進化は、機械的換気や抗生物質摂取を含むいくつかのMSSを用いてモデル化される。
  論文  参考訳（メタデータ） (2024-02-09T10:16:58Z)
• MPRE: Multi-perspective Patient Representation Extractor for Disease Prediction [3.914545513460964]
  疾患予測のための多視点患者表現エクストラクタ(MPRE)を提案する。 具体的には、動的特徴の傾向と変動情報を抽出する周波数変換モジュール(FTM)を提案する。 2D Multi-Extraction Network (2D MEN) において、傾向と変動に基づいて2次元時間テンソルを形成する。 また,FODAM(First-Order difference Attention Mechanism)も提案する。
  論文  参考訳（メタデータ） (2024-01-01T13:52:05Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• MuST: Multimodal Spatiotemporal Graph-Transformer for Hospital Readmission Prediction [23.303439847592735]
  本研究は,病院入退院予測のためのMultitemporal Spatio Graph-Transformer (MuST) と呼ばれる新しいモデルを提案する。 グラフコンネットワークと時間変換器を用いることで,ERHおよび胸部X線写真における空間的および時間的依存関係を効果的に捉えることができる。 次に、上記の2つのモードの特徴と、事前訓練されたドメイン固有変換器によって抽出された臨床メモの特徴を組み合わせ、融合変換器を提案する。
  論文  参考訳（メタデータ） (2023-11-11T11:14:07Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
  本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。 新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。 予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
  論文  参考訳（メタデータ） (2021-02-01T20:35:22Z)
• 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)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。