論文の概要: A computational framework for longitudinal medication adherence prediction in breast cancer survivors: A social cognitive theory based approach
- arxiv url: http://arxiv.org/abs/2504.14469v1
- Date: Sun, 20 Apr 2025 03:26:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 00:20:24.735224
- Title: A computational framework for longitudinal medication adherence prediction in breast cancer survivors: A social cognitive theory based approach
- Title（参考訳）: 乳がん生存者における縦断的薬剤付着予測のための計算枠組み:社会的認知理論に基づくアプローチ
- Authors: Navreet Kaur, Manuel Gonzales IV, Cristian Garcia Alcaraz, Jiaqi Gong, Kristen J. Wells, Laura E. Barnes,
- Abstract要約: 慢性疾患の患者の半数近くは、処方薬の処方に従わないため、薬物への非順守は重要な問題である。
本研究は, 薬物付着のマルチスケールモデルを構築し, 異なる時間枠における付着に影響を与える因子の意義を明らかにすることを目的とする。
- 参考スコア（独自算出の注目度）: 1.2040882054577495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-adherence to medications is a critical concern since nearly half of patients with chronic illnesses do not follow their prescribed medication regimens, leading to increased mortality, costs, and preventable human distress. Amongst stage 0-3 breast cancer survivors, adherence to long-term adjuvant endocrine therapy (i.e., Tamoxifen and aromatase inhibitors) is associated with a significant increase in recurrence-free survival. This work aims to develop multi-scale models of medication adherence to understand the significance of different factors influencing adherence across varying time frames. We introduce a computational framework guided by Social Cognitive Theory for multi-scale (daily and weekly) modeling of longitudinal medication adherence. Our models employ both dynamic medication-taking patterns in the recent past (dynamic factors) as well as less frequently changing factors (static factors) for adherence prediction. Additionally, we assess the significance of various factors in influencing adherence behavior across different time scales. Our models outperform traditional machine learning counterparts in both daily and weekly tasks in terms of both accuracy and specificity. Daily models achieved an accuracy of 87.25%, and weekly models, an accuracy of 76.04%. Notably, dynamic past medication-taking patterns prove most valuable for predicting daily adherence, while a combination of dynamic and static factors is significant for macro-level weekly adherence patterns.
- Abstract（参考訳）: 慢性疾患の患者の半数近くは、処方された薬局に従わないため、死亡率、コスト、予防可能な人的苦痛が増加する。
0-3期乳癌の生存例のうち、長期のアジュバント内分泌療法(タモキシフェンおよびアロマターゼ阻害剤)への付着は、再発のない生存の著しい増加と関連している。
本研究は, 薬物付着のマルチスケールモデルを構築し, 異なる時間枠における付着に影響を与える因子の意義を明らかにすることを目的とする。
縦断的薬物付着のマルチスケール(日・週)モデリングのための社会認知理論によって導かれる計算フレームワークを提案する。
我々のモデルは、近年の動的薬物摂取パターン(動的因子)と、付着予測に頻繁に変化する要因(静的因子)の両方を用いている。
さらに,異なる時間尺度における付着挙動に影響を与える要因について検討した。
私たちのモデルは、精度と特異性の両方の観点から、日々のタスクと毎週のタスクにおいて、従来の機械学習よりも優れています。
日刊モデルは87.25%、週刊モデルは76.04%だった。
特に、ダイナミックな過去の薬物摂取パターンは、日々の付着を予測するのに最も有用であり、動的要因と静的要因の組み合わせは、マクロレベルの毎週の付着パターンにとって重要である。
関連論文リスト
- Statistical and Predictive Analysis to Identify Risk Factors and Effects of Post COVID-19 Syndrome [1.33134751838052]
新型コロナウイルス(COVID-19)の症状は感染後数ヶ月持続する可能性がある。
感染の急性期における予防接種時期、患者の特徴、症状などの要因は、長期にわたる新型コロナウイルスの長期効果と強度に寄与する可能性がある。
私たちは、Lifelines COVID-19コホートのデータを使用して、線形モデル、ランダムフォレスト、勾配向上、ニューラルネットワークなど、さまざまなデータ駆動アプローチをベンチマークし、解釈します。
この結果から,ニューラルネットワーク(NN)はMAPEで最高の性能を示し,平均19%の誤差を予測できることがわかった。
論文 参考訳（メタデータ） (2025-04-29T16:34:06Z) - 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) - Time-dependent Probabilistic Generative Models for Disease Progression [0.0]
医療イベント間の不規則な時間間隔をモデル化するためのマルコフ的治療生成モデルを提案する。
予測最大化アルゴリズムを用いてモデルを学習し,動的プログラミング法を用いて効率よく解法する。
論文 参考訳（メタデータ） (2023-11-15T21:00:00Z) - Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data [3.3523758554338734]
時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。
我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。
我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
論文 参考訳（メタデータ） (2023-10-16T16:32:35Z) - Benchmarking Continuous Time Models for Predicting Multiple Sclerosis
Progression [46.394865849252696]
多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。
最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。
公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。
最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
論文 参考訳（メタデータ） (2023-02-15T18:45:32Z) - 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) - Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。
MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。
MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2021-02-23T05:23:35Z) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - 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。