論文の概要: Electronic Health Records-Based Data-Driven Diabetes Knowledge Unveiling and Risk Prognosis

• arxiv url: http://arxiv.org/abs/2412.03961v1
• Date: Thu, 05 Dec 2024 08:26:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:40:05.411339
• Title: Electronic Health Records-Based Data-Driven Diabetes Knowledge Unveiling and Risk Prognosis
• Title（参考訳）: 電子健康記録に基づくデータ駆動糖尿病の知識とリスク予後
• Authors: Huadong Pang, Li Zhou, Yiping Dong, Peiyuan Chen, Dian Gu, Tianyi Lyu, Hansong Zhang,
• Abstract要約: 本研究は, 双方向長期記憶ネットワーク(BiLSTM-CRF)の機能と, XGBoost と Logistic Regression を融合した革新的モデルを提案する。 このモデルは、電子カルテデータの詳細な分析を行うことにより、糖尿病リスク予測の精度を高めるように設計されている。
• 参考スコア（独自算出の注目度）: 3.2837324756563793
• License:
• Abstract: In the healthcare sector, the application of deep learning technologies has revolutionized data analysis and disease forecasting. This is particularly evident in the field of diabetes, where the deep analysis of Electronic Health Records (EHR) has unlocked new opportunities for early detection and effective intervention strategies. Our research presents an innovative model that synergizes the capabilities of Bidirectional Long Short-Term Memory Networks-Conditional Random Field (BiLSTM-CRF) with a fusion of XGBoost and Logistic Regression. This model is designed to enhance the accuracy of diabetes risk prediction by conducting an in-depth analysis of electronic medical records data. The first phase of our approach involves employing BiLSTM-CRF to delve into the temporal characteristics and latent patterns present in EHR data. This method effectively uncovers the progression trends of diabetes, which are often hidden in the complex data structures of medical records. The second phase leverages the combined strength of XGBoost and Logistic Regression to classify these extracted features and evaluate associated risks. This dual approach facilitates a more nuanced and precise prediction of diabetes, outperforming traditional models, particularly in handling multifaceted and nonlinear medical datasets. Our research demonstrates a notable advancement in diabetes prediction over traditional methods, showcasing the effectiveness of our combined BiLSTM-CRF, XGBoost, and Logistic Regression model. This study highlights the value of data-driven strategies in clinical decision-making, equipping healthcare professionals with precise tools for early detection and intervention. By enabling personalized treatment and timely care, our approach signifies progress in incorporating advanced analytics in healthcare, potentially improving outcomes for diabetes and other chronic conditions.
• Abstract（参考訳）: 医療分野では、ディープラーニング技術の応用がデータ分析と疾病予測に革命をもたらした。 これは糖尿病の分野で特に顕著であり、Electronic Health Records(EHR)の深い分析によって早期発見と効果的な介入戦略の新たな機会が解き放たれた。 本研究は, 双方向長期記憶ネットワーク(BiLSTM-CRF)の機能と, XGBoost と Logistic Regression を融合した革新的モデルを提案する。 このモデルは、電子カルテデータの詳細な分析を行うことにより、糖尿病リスク予測の精度を高めるように設計されている。 アプローチの第1フェーズでは, BiLSTM-CRFを用いて, EHRデータに存在する時間特性と潜時パターンを探索する。 この方法は、医療記録の複雑なデータ構造にしばしば隠されている糖尿病の進行傾向を効果的に明らかにする。 第2フェーズでは、XGBoostとロジスティック回帰を組み合わせた強度を活用して、抽出した特徴を分類し、関連するリスクを評価する。 この二重アプローチは糖尿病のより微妙で正確な予測を促進し、特に多面的および非線形な医療データセットを扱う場合、従来のモデルよりも優れている。 本研究は,BLSTM-CRF,XGBoost,ロジスティック回帰モデルと組み合わせた糖尿病予測モデルの有効性を示した。 本研究は、医療従事者に早期発見と介入のための正確なツールを提供することにより、臨床意思決定におけるデータ駆動戦略の価値を強調した。 パーソナライズされた治療とタイムリーケアを有効にすることで、医療に高度な分析を取り入れ、糖尿病やその他の慢性疾患の予後を改善できる可能性が示唆された。

関連論文リスト

• Towards Interpretable End-Stage Renal Disease (ESRD) Prediction: Utilizing Administrative Claims Data with Explainable AI Techniques [6.417777780911223]
  本研究は,慢性腎臓病(CKD)から末期腎疾患(ESRD)への進行を予測するために,高度な機械学習とディープラーニング技術を組み合わせた管理クレームデータを活用する可能性を検討する。 我々は、ランダムフォレストやXGBoostといった従来の機械学習手法とLong Short-Term Memory(LSTM)ネットワークのようなディープラーニングアプローチを用いて、大手医療保険会社が提供した包括的10年間のデータセットを分析し、複数の観測窓の予測モデルを開発する。 以上の結果から,LSTMモデル,特に24ヶ月の観測窓を用いた場合,ESRD進行予測において優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-18T16:03:57Z)
• Effect of Clinical History on Predictive Model Performance for Renal Complications of Diabetes [1.4330510916280879]
  糖尿病は糖尿病性腎症の発症リスクが高いという特徴を持つ慢性疾患である。 このような合併症やその悪化のリスクを高める個人を早期に同定することは、適切な治療方針を設定する上で非常に重要である。 糖尿病患者に対する臨床関連糸球体濾過率(eGFR)閾値の交差を予測・予測するロジスティック回帰モデルを開発した。
  論文  参考訳（メタデータ） (2024-09-10T20:27:00Z)
• Dynamic Hypergraph-Enhanced Prediction of Sequential Medical Visits [1.9622267160034885]
  本研究では,電子カルテから将来の診断を精度良く予測する動的ハイパーグラフネットワーク(DHCE)モデルを提案する。 DHCEモデルは、患者の訪問履歴の中で急性および慢性疾患を識別・識別し、疾患間の複雑な高次相互作用をキャプチャする動的なハイパーグラフを構築することで、革新する。
  論文  参考訳（メタデータ） (2024-08-08T04:19:20Z)
• Machine Learning Applications in Medical Prognostics: A Comprehensive Review [0.0]
  機械学習(ML)は、高度なアルゴリズムと臨床データを統合することで、医学的診断に革命をもたらした。 RFモデルは高次元データの処理において堅牢な性能を示す。 CNNは、がん検出において異常な精度を示している。 LSTMネットワークは、時間的データの解析に優れ、臨床劣化の正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-08-05T09:41:34Z)
• 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)
• Time-aware Heterogeneous Graph Transformer with Adaptive Attention Merging for Health Event Prediction [6.578298085691462]
  本稿では,疾患領域の知識を同化し,薬物と疾患の複雑な関係を解明するための新しい異種グラフ学習モデルを提案する。 2つの医療データセットで評価したところ、予測精度と解釈可能性の両方において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2024-04-23T08:01:30Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• 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)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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。