論文の概要: Learning to Select the Best Forecasting Tasks for Clinical Outcome Prediction

• arxiv url: http://arxiv.org/abs/2407.19359v1
• Date: Sun, 28 Jul 2024 01:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 18:32:13.630306
• Title: Learning to Select the Best Forecasting Tasks for Clinical Outcome Prediction
• Title（参考訳）: 臨床成績予測のためのベスト予測課題の選択学習
• Authors: Yuan Xue, Nan Du, Anne Mottram, Martin Seneviratne, Andrew M. Dai,
• Abstract要約: 本稿では,メタオブジェクトを用いたメタトレーニングにより,自己管理型患者軌道予測学習ルールのメタ学習を提案する。 このメタオブジェクトは、後続の監督タスクに対するラベル付けされていない臨床測定予測から生成された表現の有用性を直接ターゲットとする。 本手法の有効性を,実際のオープンソース患者EHRデータセットMIMIC-IIIを用いて検証した。
• 参考スコア（独自算出の注目度）: 25.535543983198107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose to meta-learn an a self-supervised patient trajectory forecast learning rule by meta-training on a meta-objective that directly optimizes the utility of the patient representation over the subsequent clinical outcome prediction. This meta-objective directly targets the usefulness of a representation generated from unlabeled clinical measurement forecast for later supervised tasks. The meta-learned can then be directly used in target risk prediction, and the limited available samples can be used for further fine-tuning the model performance. The effectiveness of our approach is tested on a real open source patient EHR dataset MIMIC-III. We are able to demonstrate that our attention-based patient state representation approach can achieve much better performance for predicting target risk with low resources comparing with both direct supervised learning and pretraining with all-observation trajectory forecast.
• Abstract（参考訳）: 本稿では,自己管理型患者軌道予測学習ルールをメタオブジェクト上でメタトレーニングすることで,その後の臨床結果予測よりも患者表現の有用性を直接最適化するメタ学習を提案する。 このメタオブジェクトは、後続の監督タスクに対するラベル付けされていない臨床測定予測から生成された表現の有用性を直接ターゲットとする。 メタ学習は、ターゲットのリスク予測に直接使用することができ、利用可能な限られたサンプルを使用して、モデルのパフォーマンスをさらに微調整することができる。 本手法の有効性を,実際のオープンソース患者EHRデータセットMIMIC-IIIを用いて検証した。 注視に基づく患者状態表現アプローチは、直接教師付き学習と全観測軌道予測の両方と比較して、低いリソースで目標リスクを予測する上で、はるかに優れたパフォーマンスが得られることを実証することができる。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• LLMs-based Few-Shot Disease Predictions using EHR: A Novel Approach Combining Predictive Agent Reasoning and Critical Agent Instruction [38.11497959553319]
  本研究では,構造化患者訪問データを自然言語物語に変換するための大規模言語モデルの適用可能性について検討する。 様々なERH予測指向のプロンプト戦略を用いて,LLMのゼロショット性能と少数ショット性能を評価した。 提案手法を用いることで,従来のERHによる疾患予測の教師付き学習法と比較して,LLMの精度は極めて低いことが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T18:10:13Z)
• Early Warning Prediction with Automatic Labeling in Epilepsy Patients [4.6700203020828885]
  本稿では,初期文字信号の予測を改善するメタ学習フレームワークを提案する。 提案された双方向最適化フレームワークは、初期段階におけるノイズの多いデータを自動的にラベル付けするのに役立つ。
  論文  参考訳（メタデータ） (2023-10-09T18:12:46Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Improving Prediction of Low-Prior Clinical Events with Simultaneous General Patient-State Representation Learning [11.574235466142833]
  我々は、リカレントニューラルネットワーク(RNN)の文脈におけるアプローチについて研究する。 モデルトレーニングにおける一般的な患者状態表現タスクの導入は、個別の低優先度目標の予測を改善することを示す。
  論文  参考訳（メタデータ） (2021-06-28T16:32:12Z)
• Learning to Predict with Supporting Evidence: Applications to Clinical Risk Prediction [9.199022926064009]
  機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。 予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
  論文  参考訳（メタデータ） (2021-03-04T00:26:32Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。