論文の概要: Salvaging Forbidden Treasure in Medical Data: Utilizing Surrogate Outcomes and Single Records for Rare Event Modeling

• arxiv url: http://arxiv.org/abs/2501.15079v1
• Date: Sat, 25 Jan 2025 05:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:18.821422
• Title: Salvaging Forbidden Treasure in Medical Data: Utilizing Surrogate Outcomes and Single Records for Rare Event Modeling
• Title（参考訳）: 医療データにおけるサルベージ禁止宝物--サロゲートの成果とレアイベントモデリングのための単一記録の利用
• Authors: Xiaohui Yin, Shane Sacco, Robert H. Aseltine, Fei Wang, Kun Chen,
• Abstract要約: エレクトロニック・ヘルス・レコーズ(Electronic Health Records)の膨大なリポジトリは、自殺未遂などの稀だが重要な出来事を研究する可能性を秘めている。 本手法では,プライマリ(自殺など)とサロゲート(精神障害など)を歴史的情報に結びつける潜伏変数を学習するために,教師付き学習要素を用いる。 コネチカット州の病院入院データから、単一記録データと同時診断が本当に貴重な情報を持っていることを実証した。
• 参考スコア（独自算出の注目度）: 6.3332360126072125
• License:
• Abstract: The vast repositories of Electronic Health Records (EHR) and medical claims hold untapped potential for studying rare but critical events, such as suicide attempt. Conventional setups often model suicide attempt as a univariate outcome and also exclude any ``single-record'' patients with a single documented encounter due to a lack of historical information. However, patients who were diagnosed with suicide attempts at the only encounter could, to some surprise, represent a substantial proportion of all attempt cases in the data, as high as 70--80%. We innovate a hybrid and integrative learning framework to leverage concurrent outcomes as surrogates and harness the forbidden yet precious information from single-record data. Our approach employs a supervised learning component to learn the latent variables that connect primary (e.g., suicide) and surrogate outcomes (e.g., mental disorders) to historical information. It simultaneously employs an unsupervised learning component to utilize the single-record data, through the shared latent variables. As such, our approach offers a general strategy for information integration that is crucial to modeling rare conditions and events. With hospital inpatient data from Connecticut, we demonstrate that single-record data and concurrent diagnoses indeed carry valuable information, and utilizing them can substantially improve suicide risk modeling.
• Abstract（参考訳）: エレクトロニック・ヘルス・レコーズ(EHR)の膨大な記録と医療記録は、自殺未遂のような稀だが重要な出来事を研究する可能性を秘めている。 従来のセットアップでは、自殺未遂を単変量の結果としてモデル化することが多く、また、歴史的情報が欠如しているため、単一の文書化された出会いを持つ「単一記録」患者を除外する。 しかし、単独で自殺未遂と診断された患者は、驚くべきことに、データ中の全ての試みのかなりの割合を、最大70～80%の確率で表すことができる。 我々は、ハイブリッドで統合的な学習フレームワークを革新し、同時結果をサロゲートとして活用し、単一記録データから禁じられた貴重な情報を活用する。 本手法では,プライマリ(例えば自殺)とサロゲート(例えば精神障害)を歴史的情報に結び付ける潜伏変数を学習するために,教師付き学習成分を用いる。 同時に教師なし学習コンポーネントを使用して、共有潜在変数を介してシングルレコードデータを利用する。 そこで本手法は,稀な条件や事象をモデル化する上で重要な情報統合のための一般的な戦略を提供する。 コネチカット州の病院入院データを用いて、シングルレコードデータと同時診断が本当に貴重な情報を持ち、それらを利用すれば自殺リスクモデリングを大幅に改善できることを示した。

関連論文リスト

• TCKAN:A Novel Integrated Network Model for Predicting Mortality Risk in Sepsis Patients [0.0]
  セプシスは世界的な健康上の脅威となり、毎年何百万人もの死者を出し、経済的にかなりのコストがかかる。 現在のメソッドは通常、定数、時間、ICDコードのいずれかの1種類のデータしか利用しない。 Time-Constant Kolmogorov-Arnold Network (TCKAN)は、時間的データ、定数データ、ICDコードを単一の予測モデルに統合する。
  論文  参考訳（メタデータ） (2024-07-09T05:37:50Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Time-dependent Iterative Imputation for Multivariate Longitudinal Clinical Data [0.0]
  Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。 500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
  論文  参考訳（メタデータ） (2023-04-16T16:10:49Z)
• Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
  医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。 最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。 ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-06-20T23:49:38Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。