論文の概要: Longitudinal Missing Data Imputation for Predicting Disability Stage of Patients with Multiple Sclerosis
- arxiv url: http://arxiv.org/abs/2501.12927v1
- Date: Wed, 22 Jan 2025 14:56:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-23 13:28:57.174868
- Title: Longitudinal Missing Data Imputation for Predicting Disability Stage of Patients with Multiple Sclerosis
- Title（参考訳）: 多発性硬化症患者の障害ステージ予測のための経時的欠測データ計算
- Authors: Mahin Vazifehdan, Pietro Bosoni, Daniele Pala, Eleonora Tavazzi, Roberto Bergamaschi, Riccardo Bellazzi, Arianna Dagliati,
- Abstract要約: 多発性硬化症(Multiple Sclerosis, MS)は、神経機能の進行的または交互な障害を特徴とする慢性疾患である。
MSの進行は、時間とともにMSの障害を定量化し監視するEDSS(Expanded Disability Status Scale)を通じて測定される。
- 参考スコア（独自算出の注目度）: 0.34473740271026115
- License:
- Abstract: Multiple Sclerosis (MS) is a chronic disease characterized by progressive or alternate impairment of neurological functions (motor, sensory, visual, and cognitive). Predicting disease progression with a probabilistic and time-dependent approach might help in suggesting interventions that can delay the progression of the disease. However, extracting informative knowledge from irregularly collected longitudinal data is difficult, and missing data pose significant challenges. MS progression is measured through the Expanded Disability Status Scale (EDSS), which quantifies and monitors disability in MS over time. EDSS assesses impairment in eight functional systems (FS). Frequently, only the EDSS score assigned by clinicians is reported, while FS sub-scores are missing. Imputing these scores might be useful, especially to stratify patients according to their phenotype assessed over the disease progression. This study aimed at i) exploring different methodologies for imputing missing FS sub-scores, and ii) predicting the EDSS score using complete clinical data. Results show that Exponential Weighted Moving Average achieved the lowest error rate in the missing data imputation task; furthermore, the combination of Classification and Regression Trees for the imputation and SVM for the prediction task obtained the best accuracy.
- Abstract（参考訳）: 多発性硬化症(Multiple Sclerosis、MS)は、神経機能(運動、感覚、視覚、認知)の進行または交互障害を特徴とする慢性疾患である。
確率的かつ時間依存的なアプローチで疾患の進行を予測することは、疾患の進行を遅らせる可能性のある介入を提案するのに役立つかもしれない。
しかし、不規則に収集された縦断データから情報的知識を抽出することは困難であり、欠落データには重大な課題が生じる。
MSの進行は、時間とともにMSの障害を定量化し監視するEDSS(Expanded Disability Status Scale)を通じて測定される。
EDSSは8つの機能系(FS)の障害を評価する。
しばしば、臨床医が割り当てたEDSSスコアのみが報告され、FSサブスコアが欠落している。
これらのスコアを付与することは、特に疾患の進行について評価された表現型に従って患者を階層化するのに役立つかもしれない。
この研究が目指すのは
一 FSサブスコアの欠落を抑えるための異なる方法の探究及び
二 完全臨床データを用いてEDSSスコアを予測すること。
その結果, 平均移動平均は, 欠落したデータ計算タスクにおいて最小誤差率を達成し, さらに, 予測タスクにおける分類木と回帰木の組み合わせと, 予測タスクにおけるSVMが最適精度を得た。
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) - Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。
本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
論文 参考訳（メタデータ） (2024-06-18T17:22:55Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳（メタデータ） (2024-03-11T17:26:18Z) - Predicting multiple sclerosis disease severity with multimodal deep
neural networks [10.599189568556508]
患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。
提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
論文 参考訳（メタデータ） (2023-04-08T16:23:18Z) - Personalized Longitudinal Assessment of Multiple Sclerosis Using
Smartphones [9.186241234772702]
本研究は, 欠損値を含むセンサデータを用いて, 個々の疾患軌跡を地図化するための新しい縦長モデルを構築した。
複数のトレーニングデータセットから学んだパラメータは、シンプルで統一された予測モデルを形成するためにアンサンブルされる。
その結果,提案モデルがパーソナライズされた縦断的MSアセスメントを達成できることが示唆された。
論文 参考訳（メタデータ） (2022-09-20T12:56:29Z) - To Impute or not to Impute? -- Missing Data in Treatment Effect
Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。
本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。
私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文 参考訳（メタデータ） (2022-02-04T12:08:31Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Deep Recurrent Model for Individualized Prediction of Alzheimer's
Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。
本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-06T08:08:00Z)
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。