論文の概要: Towards modeling evolving longitudinal health trajectories with a transformer-based deep learning model
- arxiv url: http://arxiv.org/abs/2412.08873v1
- Date: Thu, 12 Dec 2024 02:13:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:33:51.293620
- Title: Towards modeling evolving longitudinal health trajectories with a transformer-based deep learning model
- Title（参考訳）: 変圧器を用いた深層学習モデルによる縦断的健康軌道のモデル化
- Authors: Hans Moen, Vishnu Raj, Andrius Vabalas, Markus Perola, Samuel Kaski, Andrea Ganna, Pekka Marttinen,
- Abstract要約: トランスフォーマーベースのディープラーニングモデルをトレーニングするための簡単なアプローチを導入し、個人の軌道が時間とともにどのように変化するかを分析できるようにします。
本稿では,将来予測区間における共通疾患の発症を予測するための一般的な課題に焦点をあてる。
このモデルは、基本的な予測性能の観点から、双方向トランスフォーマーモデルを含む他のモデルと相容れない性能を示す。
- 参考スコア（独自算出の注目度）: 19.49711465571333
- License:
- Abstract: Health registers contain rich information about individuals' health histories. Here our interest lies in understanding how individuals' health trajectories evolve in a nationwide longitudinal dataset with coded features, such as clinical codes, procedures, and drug purchases. We introduce a straightforward approach for training a Transformer-based deep learning model in a way that lets us analyze how individuals' trajectories change over time. This is achieved by modifying the training objective and by applying a causal attention mask. We focus here on a general task of predicting the onset of a range of common diseases in a given future forecast interval. However, instead of providing a single prediction about diagnoses that could occur in this forecast interval, our approach enable the model to provide continuous predictions at every time point up until, and conditioned on, the time of the forecast period. We find that this model performs comparably to other models, including a bi-directional transformer model, in terms of basic prediction performance while at the same time offering promising trajectory modeling properties. We explore a couple of ways to use this model for analyzing health trajectories and aiding in early detection of events that forecast possible later disease onsets. We hypothesize that this method may be helpful in continuous monitoring of peoples' health trajectories and enabling interventions in ongoing health trajectories, as well as being useful in retrospective analyses.
- Abstract（参考訳）: 健康記録には個人の健康史に関する豊富な情報が含まれている。
ここでの関心は、臨床コード、手順、薬物購入などのコード化された特徴を持つ全国の縦断的データセットにおいて、個人の健康軌道がどのように進化するかを理解することである。
トランスフォーマーベースのディープラーニングモデルをトレーニングするための簡単なアプローチを導入し、個人の軌道が時間とともにどのように変化するかを分析できるようにします。
これはトレーニング目標を変更し、因果注意マスクを適用することで達成される。
本稿では,将来予測区間における共通疾患の発症を予測するための一般的な課題に焦点をあてる。
しかし,本手法では,この予測間隔で発生しうる診断の単一の予測を行う代わりに,予測期間の経過日時に至るまで,各時点において連続的な予測を行うことができる。
このモデルは、基本的な予測性能の観点から、双方向トランスフォーマーモデルを含む他のモデルと互換性があり、同時に、有望な軌道モデリング特性を提供する。
我々は、このモデルを用いて、健康軌道の分析と、その後の発症を予知する事象の早期発見を支援するためのいくつかの方法を探る。
本手法は,患者の健康トラジェクトリを継続的に監視し,継続的な健康トラジェクトリへの介入を可能にするとともに,振り返り分析に有用である可能性が示唆された。
関連論文リスト
- SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
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。
論文 参考訳（メタデータ） (2024-09-30T03:01:25Z) - 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) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Random Forest of Epidemiological Models for Influenza Forecasting [7.050453841068465]
本稿では,ベースラインモデルSIkJalphaの個々の予測子を利用して,その性能を向上させるツリーアンサンブルモデルの設計を提案する。
我々は、ランダムフォレストに基づくアプローチが、平均絶対誤差、カバレッジ、重み付き間隔スコアの観点から、個々の予測者の予測を改善することを実証した。
論文 参考訳（メタデータ） (2022-06-17T18:47:40Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳（メタデータ） (2021-04-28T15:32:42Z) - 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) - Learning Accurate Long-term Dynamics for Model-based Reinforcement
Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。
シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文 参考訳（メタデータ） (2020-12-16T18:47:37Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Bidirectional Representation Learning from Transformers using Multimodal
Electronic Health Record Data to Predict Depression [11.1492931066686]
うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。
このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
論文 参考訳（メタデータ） (2020-09-26T17:56:37Z)
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。