論文の概要: DynaGraph: Interpretable Multi-Label Prediction from EHRs via Dynamic Graph Learning and Contrastive Augmentation

• arxiv url: http://arxiv.org/abs/2503.22257v1
• Date: Fri, 28 Mar 2025 09:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:28:39.349529
• Title: DynaGraph: Interpretable Multi-Label Prediction from EHRs via Dynamic Graph Learning and Contrastive Augmentation
• Title（参考訳）: DynaGraph: 動的グラフ学習とコントラスト拡張によるEHRからの解釈可能なマルチラベル予測
• Authors: Munib Mesinovic, Soheila Molaei, Peter Watkinson, Tingting Zhu,
• Abstract要約: DynaGraphは、エンドツーエンドの解釈可能なコントラストグラフモデルである。 実世界の4つの臨床データセットでモデルを検証した。
• 参考スコア（独自算出の注目度）: 5.196633071421455
• License:
• Abstract: Learning from longitudinal electronic health records is limited if it does not capture the temporal trajectories of the patient's state in a clinical setting. Graph models allow us to capture the hidden dependencies of the multivariate time-series when the graphs are constructed in a similar dynamic manner. Previous dynamic graph models require a pre-defined and/or static graph structure, which is unknown in most cases, or they only capture the spatial relations between the features. Furthermore in healthcare, the interpretability of the model is an essential requirement to build trust with clinicians. In addition to previously proposed attention mechanisms, there has not been an interpretable dynamic graph framework for data from multivariate electronic health records (EHRs). Here, we propose DynaGraph, an end-to-end interpretable contrastive graph model that learns the dynamics of multivariate time-series EHRs as part of optimisation. We validate our model in four real-world clinical datasets, ranging from primary care to secondary care settings with broad demographics, in challenging settings where tasks are imbalanced and multi-labelled. Compared to state-of-the-art models, DynaGraph achieves significant improvements in balanced accuracy and sensitivity over the nearest complex competitors in time-series or dynamic graph modelling across three ICU and one primary care datasets. Through a pseudo-attention approach to graph construction, our model also indicates the importance of clinical covariates over time, providing means for clinical validation.
• Abstract（参考訳）: 患者状態の経時的軌跡を臨床的に把握しなければ, 経時的電子的健康記録からの学習は限られる。 グラフモデルにより、グラフが同様の動的に構築されたとき、多変量時系列の隠れた依存関係をキャプチャできる。 従来の動的グラフモデルには事前定義された静的グラフ構造が必要であり、ほとんどの場合不明である。 さらに、医療において、モデルの解釈可能性は、臨床医との信頼を構築するために必須の要件である。 これまでに提案された注意機構に加えて,多変量電子健康記録(EHR)のデータに対する解釈可能な動的グラフフレームワークも存在していない。 本稿では,多変量時系列EHRのダイナミクスを最適化の一部として学習する,エンドツーエンドで解釈可能なコントラストグラフモデルDynaGraphを提案する。 われわれのモデルを,プライマリケアからセカンダリケアまでの4つの実世界臨床データセットで検証し,タスクの不均衡やマルチラベリングといった課題に対処する。 最先端モデルと比較して、DynaGraphは3つのICUと1つのプライマリケアデータセットをまたいだ動的グラフモデリングにおいて、最も近い複雑な競合相手に比べて、バランスの取れた精度と感度の大幅な改善を実現している。 また,グラフ構築に対する疑似注意的アプローチにより,臨床検体の重要性が示唆され,臨床検体としての有用性が示唆された。

関連論文リスト

• A Generative Framework for Predictive Modeling of Multiple Chronic Conditions Using Graph Variational Autoencoder and Bandit-Optimized Graph Neural Network [0.0]
  複数の慢性疾患(MCC)の出現を予測することは、早期介入とパーソナライズされた医療にとって重要である。 グラフニューラルネットワーク(GNN)は、MCCに見られるような複雑なグラフデータをモデリングするための効果的な手法である。 本稿では,データ分布を利用してグラフ構造を代表的に構築するGNNのための新しい生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-20T17:26:38Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Backbone-based Dynamic Graph Spatio-Temporal Network for Epidemic Forecasting [3.382729969842304]
  正確な流行予測は伝染病の予防に重要な課題である。 多くのディープラーニングベースのモデルは、空間情報を構築する際に静的グラフや動的グラフにのみフォーカスする。 バックボーンに基づく動的グラフ時空間ネットワーク(BDGSTN)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-01T10:34:03Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Self-supervised Representation Learning on Electronic Health Records with Graph Kernel Infomax [4.133378723518227]
  EHRのグラフィカル表現に対する自己教師付きグラフカーネル学習手法であるGraph Kernel Infomaxを提案する。 最先端とは違って、グラフ構造を変更して拡張ビューを構築することはできません。 我々のアプローチは、最先端を超える臨床下流課題にパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2022-09-01T16:15:08Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Deep Dynamic Effective Connectivity Estimation from Multivariate Time Series [0.0]
  我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。 DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
  論文  参考訳（メタデータ） (2022-02-04T21:14:21Z)
• Brain dynamics via Cumulative Auto-Regressive Self-Attention [0.0]
  深部グラフニューラルネットワーク(GNN)よりもかなり浅いモデルを提案する。 本モデルは,各時系列の自己回帰構造を学習し,有向接続グラフを推定する。 統合失調症患者とコントロールを分類した機能的ニューロイメージングデータセットについて報告する。
  論文  参考訳（メタデータ） (2021-11-01T21:50:35Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。