論文の概要: 4TaStiC: Time and trend traveling time series clustering for classifying long-term type 2 diabetes patients

• arxiv url: http://arxiv.org/abs/2505.07702v1
• Date: Mon, 12 May 2025 16:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.474926
• Title: 4TaStiC: Time and trend traveling time series clustering for classifying long-term type 2 diabetes patients
• Title（参考訳）: 4TaStiC:長期2型糖尿病患者分類のための時間的・傾向的時系列クラスタリング
• Authors: Onthada Preedasawakul, Nathakhun Wiroonsri,
• Abstract要約: 時系列クラスタリング(Time and Trend Traveling Time Series Clustering, 4TaStiC)と呼ばれる新しいクラスタリングアルゴリズムを導入する。 それぞれの患者は、医師が効果的な臨床的決定を下すのに役立つ明らかな特徴を示す。 提案アルゴリズムは医療分野外の文脈に適用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diabetes is one of the most prevalent diseases worldwide, characterized by persistently high blood sugar levels, capable of damaging various internal organs and systems. Diabetes patients require routine check-ups, resulting in a time series of laboratory records, such as hemoglobin A1c, which reflects each patient's health behavior over time and informs their doctor's recommendations. Clustering patients into groups based on their entire time series data assists doctors in making recommendations and choosing treatments without the need to review all records. However, time series clustering of this type of dataset introduces some challenges; patients visit their doctors at different time points, making it difficult to capture and match trends, peaks, and patterns. Additionally, two aspects must be considered: differences in the levels of laboratory results and differences in trends and patterns. To address these challenges, we introduce a new clustering algorithm called Time and Trend Traveling Time Series Clustering (4TaStiC), using a base dissimilarity measure combined with Euclidean and Pearson correlation metrics. We evaluated this algorithm on artificial datasets, comparing its performance with that of seven existing methods. The results show that 4TaStiC outperformed the other methods on the targeted datasets. Finally, we applied 4TaStiC to cluster a cohort of 1,989 type 2 diabetes patients at Siriraj Hospital. Each group of patients exhibits clear characteristics that will benefit doctors in making efficient clinical decisions. Furthermore, the proposed algorithm can be applied to contexts outside the medical field.
• Abstract（参考訳）: 糖尿病は世界中で最も多い病気の1つで、血糖値が持続的に高く、様々な内臓やシステムに損傷を与える。 糖尿病患者は定期的な診察を必要としており、その結果、ヘモグロビンA1cのような、患者の健康状態の経時的変化を反映し、医師の推薦を知らせる一連の実験記録が得られた。 患者を時系列データに基づいてグループに分類することは、医師がすべての記録をレビューすることなく、レコメンデーションや治療の選択を支援する。 しかし、この種のデータセットの時系列クラスタリングにはいくつかの課題が伴う。患者は異なる時間ポイントで医師を訪ね、傾向、ピーク、パターンを捉え、一致させることが困難になる。 さらに、実験結果のレベルの違いと傾向とパターンの違いの2つの側面を考慮する必要がある。 これらの課題に対処するために,EuclideanとPearsonの相関指標と組み合わせた基本相同性尺度を用いて,時系列クラスタリング(Time and Trend Traveling Time Series Clustering, 4TaStiC)と呼ばれる新しいクラスタリングアルゴリズムを導入する。 我々は,このアルゴリズムを人工データセット上で評価し,その性能を既存の7つの手法と比較した。 その結果、4TaStiCはターゲットデータセット上の他の手法よりも優れていた。 最後に,シラジ病院で1,989型糖尿病患者のコホートに4TaStiCを適用した。 それぞれの患者は、医師が効果的な臨床的決定を下すのに役立つ明らかな特徴を示す。 さらに,提案アルゴリズムは医療分野外の文脈にも適用可能である。

関連論文リスト

• Identifying Subgroups of ICU Patients Using End-to-End Multivariate Time-Series Clustering Algorithm Based on Real-World Vital Signs Data [1.6160887070677055]
  本研究は,MIMIC-IVデータベースをデータソースとして,動的,高周波,多変量周期のバイタルサインデータの利用について検討した。 様々なクラスタリングアルゴリズムを比較し,K-Meansと組み合わせたTime2Featと呼ばれるエンドツーエンドの時系列クラスタリングシステムを,ICUの患者をクラスタリングする最も効果的な方法として選択した。
  論文  参考訳（メタデータ） (2023-06-03T14:25:15Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Longitudinal patient stratification of electronic health records with flexible adjustment for clinical outcomes [0.7874708385247353]
  我々は、再構成、結果、クラスタリング損失を用いて、ERHデータをクラスタリングするリカレントニューラルネットワークオートエンコーダを開発する。 糖尿病患者29,229ドルの患者を対象に,異なる軌跡と異なる結果の患者集団のモデル性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T11:21:39Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease [3.1564542805009332]
  当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。 本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T01:18:33Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• 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。