Fugu-MT 論文翻訳(概要): Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting

論文の概要: Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting

arxiv url: http://arxiv.org/abs/2408.03816v2
Date: Mon, 26 Aug 2024 13:12:45 GMT
ステータス: 処理完了
システム内更新日: 2024-08-27 20:40:24.183729
Title: Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting
Title（参考訳）: 長期臨床時系列予測による医療における原因(効果)の早期予測
Authors: Michael Staniek, Marius Fracarolli, Michael Hagmann, Stefan Riezler,
Abstract要約: 臨床変数の時系列予測(TSF)により原因を直接予測することを提案する。モデルトレーニングは特定のラベルに依存しないため、予測されたデータはコンセンサスベースのラベルを予測するために使用できる。
参考スコア（独自算出の注目度）: 11.96384267146423
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Machine learning for early syndrome diagnosis aims to solve the intricate task of predicting a ground truth label that most often is the outcome (effect) of a medical consensus definition applied to observed clinical measurements (causes), given clinical measurements observed several hours before. Instead of focusing on the prediction of the future effect, we propose to directly predict the causes via time series forecasting (TSF) of clinical variables and determine the effect by applying the gold standard consensus definition to the forecasted values. This method has the invaluable advantage of being straightforwardly interpretable to clinical practitioners, and because model training does not rely on a particular label anymore, the forecasted data can be used to predict any consensus-based label. We exemplify our method by means of long-term TSF with Transformer models, with a focus on accurate prediction of sparse clinical variables involved in the SOFA-based Sepsis-3 definition and the new Simplified Acute Physiology Score (SAPS-II) definition. Our experiments are conducted on two datasets and show that contrary to recent proposals which advocate set function encoders for time series and direct multi-step decoders, best results are achieved by a combination of standard dense encoders with iterative multi-step decoders. The key for success of iterative multi-step decoding can be attributed to its ability to capture cross-variate dependencies and to a student forcing training strategy that teaches the model to rely on its own previous time step predictions for the next time step prediction.
Abstract（参考訳）: 早期症候群診断のための機械学習は、観測された臨床測定(原因)に適用される医学的コンセンサス定義の結果(効果)が、数時間前に観察された臨床測定から最も多いという、基礎的な真理ラベルを予測するという複雑なタスクを解決することを目的としている。そこで本研究では,臨床変数の時系列予測(TSF)を通じて原因を直接予測し,ゴールド標準コンセンサス定義を予測値に適用することにより効果を決定することを提案する。モデルトレーニングは特定のラベルに依存しないため、予測されたデータはコンセンサスに基づくラベルの予測に使用することができる。本稿では,SOFAをベースとしたSepsis-3定義とSAPS-II(Simplified acute Physiology Score)定義に係わるスパース臨床変数の正確な予測に着目し,Transformerモデルを用いた長期的TSFを用いて本手法を実証する。 2つのデータセットを用いて実験を行い、時系列と直接多重ステップデコーダのセット関数エンコーダを提唱する最近の提案とは対照的に、標準密度エンコーダと反復多重ステップデコーダを組み合わせることで最良の結果が得られることを示した。反復的多段階復号化の成功の鍵は、多変量依存関係をキャプチャする能力と、モデルに次のステップ予測のために独自のタイムステップ予測に依存するように教える学生の強制訓練戦略にある。

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)
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)
Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
論文参考訳（メタデータ） (2024-07-20T13:49:14Z)
Uncertainty Quantification on Clinical Trial Outcome Prediction [37.238845949535616]
本稿では,不確実性の定量化を臨床治験結果の予測に取り入れることを提案する。私たちの主な目標は、ニュアンスドの違いを識別するモデルの能力を強化することです。我々は目的を達成するために選択的な分類手法を採用した。
論文参考訳（メタデータ） (2024-01-07T13:48:05Z)
HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。 HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
論文参考訳（メタデータ） (2023-11-23T06:17:31Z)
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)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes? [53.45585591262433]
本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
論文参考訳（メタデータ） (2022-10-28T04:06:07Z)
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)
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)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。