Fugu-MT 論文翻訳(概要): SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network

論文の概要: SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network

arxiv url: http://arxiv.org/abs/2409.19901v1
Date: Mon, 30 Sep 2024 03:01:25 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 16:57:15.438041
Title: SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network
Title（参考訳）: SurvCORN: 条件付き順序付けニューラルネットワークによる生存分析
Authors: Muhammad Ridzuan, Numan Saeed, Fadillah Adamsyah Maani, Karthik Nandakumar, Mohammad Yaqub,
Abstract要約: 本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
参考スコア（独自算出の注目度）: 4.772480981435387
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Survival analysis plays a crucial role in estimating the likelihood of future events for patients by modeling time-to-event data, particularly in healthcare settings where predictions about outcomes such as death and disease recurrence are essential. However, this analysis poses challenges due to the presence of censored data, where time-to-event information is missing for certain data points. Yet, censored data can offer valuable insights, provided we appropriately incorporate the censoring time during modeling. In this paper, we propose SurvCORN, a novel method utilizing conditional ordinal ranking networks to predict survival curves directly. Additionally, we introduce SurvMAE, a metric designed to evaluate the accuracy of model predictions in estimating time-to-event outcomes. Through empirical evaluation on two real-world cancer datasets, we demonstrate SurvCORN's ability to maintain accurate ordering between patient outcomes while improving individual time-to-event predictions. Our contributions extend recent advancements in ordinal regression to survival analysis, offering valuable insights into accurate prognosis in healthcare settings.
Abstract（参考訳）: 生存分析は、特に死亡や病気の再発といった結果の予測が不可欠である医療環境において、時間から時間までのデータをモデル化することで、患者の将来的な事象の可能性を推定する上で重要な役割を担っている。しかし、この分析は、特定のデータポイントに時間から時間までの情報が欠落している検閲データの存在によって、問題を引き起こす。しかし、検閲されたデータは、モデリング中に検閲時間が適切に組み込まれているため、貴重な洞察を与えることができる。本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。実世界の2つのがんデータセットに対する経験的評価を通じて、患者間の正確な順序付けを維持できると同時に、個々の時間対イベント予測を改善しながら、SurvCORNの能力を実証する。我々の貢献は、生存分析への経常的回帰の最近の進歩を延長し、医療環境における正確な予後に関する貴重な洞察を提供する。

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)
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)
Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文参考訳（メタデータ） (2023-10-24T02:56:05Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文参考訳（メタデータ） (2023-09-07T17:07:33Z)
Contrastive Learning of Temporal Distinctiveness for Survival Analysis in Electronic Health Records [10.192973297290136]
本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。 OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
論文参考訳（メタデータ） (2023-08-24T22:36:22Z)
Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-19T03:24:34Z)
Using Geographic Location-based Public Health Features in Survival Analysis [12.424517746493553]
本稿では,入力特徴に公衆衛生統計を取り入れた生存分析モデルの補完的改善を提案する。地理的位置に基づく公衆衛生情報を含めると,Surveillance, Epidemiology, End Results (SEER)データセットで評価されたコンコーマンス指数の統計的に有意な改善が得られた。生存分析における地理的位置に基づく公衆衛生機能の有用性が示唆された。
論文参考訳（メタデータ） (2023-04-16T03:15:00Z)
Dynamic prediction of time to event with survival curves [3.9169188005935927]
最近開発した反実用動的生存モデル(CDSM)を静的および縦方向の観測データに適用します。評価された個別生存曲線の反射点が、患者の失敗時間の確実な予測をもたらすことを証明した。
論文参考訳（メタデータ） (2021-01-26T12:17:27Z)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。