論文の概要: TabulaTime: A Novel Multimodal Deep Learning Framework for Advancing Acute Coronary Syndrome Prediction through Environmental and Clinical Data Integration

• arxiv url: http://arxiv.org/abs/2502.17049v1
• Date: Mon, 24 Feb 2025 11:01:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:57:01.750688
• Title: TabulaTime: A Novel Multimodal Deep Learning Framework for Advancing Acute Coronary Syndrome Prediction through Environmental and Clinical Data Integration
• Title（参考訳）: TabulaTime: 環境・臨床データ統合による急性冠症候群の予測を促進するための新しいマルチモーダルディープラーニングフレームワーク
• Authors: Xin Zhang, Liangxiu Han, Stephen White, Saad Hassan, Philip A Kalra, James Ritchie, Carl Diver, Jennie Shorley,
• Abstract要約: 急性冠症候群 (ACS) は世界中で死亡率の高い疾患である。 臨床リスク要因と大気汚染データを組み合わせた多モード深層学習フレームワークであるTabulaTimeを紹介した。 実験の結果,TabulaTimeでは従来のモデルに比べて予測精度が20%以上向上していることがわかった。
• 参考スコア（独自算出の注目度）: 4.684605277663849
• License:
• Abstract: Acute Coronary Syndromes (ACS), including ST-segment elevation myocardial infarctions (STEMI) and non-ST-segment elevation myocardial infarctions (NSTEMI), remain a leading cause of mortality worldwide. Traditional cardiovascular risk scores rely primarily on clinical data, often overlooking environmental influences like air pollution that significantly impact heart health. Moreover, integrating complex time-series environmental data with clinical records is challenging. We introduce TabulaTime, a multimodal deep learning framework that enhances ACS risk prediction by combining clinical risk factors with air pollution data. TabulaTime features three key innovations: First, it integrates time-series air pollution data with clinical tabular data to improve prediction accuracy. Second, its PatchRWKV module automatically extracts complex temporal patterns, overcoming limitations of traditional feature engineering while maintaining linear computational complexity. Third, attention mechanisms enhance interpretability by revealing interactions between clinical and environmental factors. Experimental results show that TabulaTime improves prediction accuracy by over 20% compared to conventional models such as CatBoost, Random Forest, and LightGBM, with air pollution data alone contributing over a 10% improvement. Feature importance analysis identifies critical predictors including previous angina, systolic blood pressure, PM10, and NO2. Overall, TabulaTime bridges clinical and environmental insights, supporting personalized prevention strategies and informing public health policies to mitigate ACS risk.
• Abstract（参考訳）: 急性冠症候群 (ACS) はST-segment 心筋梗塞 (STEMI) や非ST-segment 心筋梗塞 (NSTEMI) を含む, 世界中で死の主因となっている。 従来の心臓血管のリスクスコアは、主に臨床データに依存しており、しばしば心臓の健康に大きな影響を及ぼす大気汚染のような環境の影響を見落としている。 さらに,複雑な時系列環境データを臨床記録と統合することは困難である。 臨床リスク要因と大気汚染データを組み合わせた多モード深層学習フレームワークであるTabulaTimeを紹介した。 第一に、時系列の大気汚染データを臨床表データと統合し、予測精度を向上させる。 第2に、PatchRWKVモジュールは、線形計算複雑性を維持しながら、従来の特徴工学の限界を克服しながら、複雑な時間パターンを自動的に抽出する。 第三に、注意機構は臨床的要因と環境要因の相互作用を明らかにすることによって解釈可能性を高める。 実験結果から,TabulaTimeの予測精度はCatBoost,Random Forest,LightGBMなどの従来のモデルに比べて20%以上向上し,大気汚染データだけで10%以上の改善が達成された。 特徴重要度分析は、前者狭心症、収縮期血圧、PM10、NO2などの重要な予測因子を同定する。 TabulaTimeは、臨床と環境に関する洞察を橋渡し、パーソナライズされた予防戦略をサポートし、ACSリスクを軽減するために公衆衛生ポリシーを通知する。

関連論文リスト

• Fuzzy Rule based Intelligent Cardiovascular Disease Prediction using Complex Event Processing [0.8668211481067458]
  心血管疾患 (CVD) は、不健康な食事、身体活動の欠如、その他の要因により、急速に世界的な懸念が高まっている。 最近の研究は、リスクと死亡率を減らすための正確でタイムリーな病気予測に焦点を当てている。 本稿では,リアルタイム意思決定支援のためのファジィルールに基づく臨床データ監視システムを提案する。
  論文  参考訳（メタデータ） (2024-09-19T16:36:24Z)
• 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)
• 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)
• Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
  脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。 我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。 我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-08-17T03:46:23Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• A Multi-Modal Respiratory Disease Exacerbation Prediction Technique Based on a Spatio-Temporal Machine Learning Architecture [0.0]
  慢性閉塞性肺疾患や喘息などの慢性呼吸器疾患は深刻な健康危機である。 呼吸器症状の進行を評価する現在の方法は、主観的で不正確な、または複雑で面倒です。 本研究は、新しい時間的機械学習アーキテクチャに基づいて、PDなどの呼吸器疾患の悪化リスクを予測するためのマルチモーダルソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T05:24:53Z)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• BoXHED: Boosted eXact Hazard Estimator with Dynamic covariates [13.330256356398243]
  本稿では,非パラメトリックな危険関数推定のためのソフトウェアパッケージBoXHEDを紹介する。 BoXHEDはIshwaranのLee Chenのために公開された最初のソフトウェア実装である。
  論文  参考訳（メタデータ） (2020-06-25T07:32:14Z)

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。