論文の概要: Developing hybrid mechanistic and data-driven personalized prediction models for platelet dynamics

• arxiv url: http://arxiv.org/abs/2505.21204v1
• Date: Tue, 27 May 2025 13:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.688717
• Title: Developing hybrid mechanistic and data-driven personalized prediction models for platelet dynamics
• Title（参考訳）: 血小板動態に対するハイブリッド力学およびデータ駆動型パーソナライズド予測モデルの開発
• Authors: Marie Steinacker, Yuri Kheifetz, Markus Scholz,
• Abstract要約: 造血系に対する薬物による損傷である造血毒性は、しばしば化学療法の副作用である。 現在の力学モデルは、不規則または非典型的軌跡の患者に対して、正確な結果を予測するのに苦労することが多い。 化学療法中の血小板数の個人化時系列モデリングのためのハイブリッド力学およびデータ駆動手法の開発と比較を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hematotoxicity, drug-induced damage to the blood-forming system, is a frequent side effect of cytotoxic chemotherapy and poses a significant challenge in clinical practice due to its high inter-patient variability and limited predictability. Current mechanistic models often struggle to accurately forecast outcomes for patients with irregular or atypical trajectories. In this study, we develop and compare hybrid mechanistic and data-driven approaches for individualized time series modeling of platelet counts during chemotherapy. We consider hybrid models that combine mechanistic models with neural networks, known as universal differential equations. As a purely data-driven alternative, we utilize a nonlinear autoregressive exogenous model using gated recurrent units as the underlying architecture. These models are evaluated across a range of real patient scenarios, varying in data availability and sparsity, to assess predictive performance. Our findings demonstrate that data-driven methods, when provided with sufficient data, significantly improve prediction accuracy, particularly for high-risk patients with irregular platelet dynamics. This highlights the potential of data-driven approaches in enhancing clinical decision-making. In contrast, hybrid and mechanistic models are superior in scenarios with limited or sparse data. The proposed modeling and comparison framework is generalizable and could be extended to predict other treatment-related toxicities, offering broad applicability in personalized medicine.
• Abstract（参考訳）: 造血系に対する薬物による損傷である造血毒性は、細胞毒性化学療法の頻繁な副作用であり、高い患者間変動と限られた予測可能性のために臨床実践において重要な課題となる。 現在の力学モデルは、不規則または非典型的軌跡の患者に対して、正確な結果を予測するのに苦労することが多い。 本研究では,化学療法中の血小板数の個別時系列モデリングのためのハイブリッド力学およびデータ駆動手法の開発と比較を行った。 我々は、力学モデルとニューラルネットワークを組み合わせたハイブリッドモデルを、普遍微分方程式(universal differential equations)と呼ぶ。 純粋にデータ駆動の代替として、ゲート再帰単位を基礎となるアーキテクチャとして、非線形自己回帰的外因性モデルを用いる。 これらのモデルは、予測性能を評価するために、データ可用性とスパーシリティの異なる、さまざまな実際の患者シナリオで評価される。 以上の結果から,不規則血小板動態を有する高リスク症例において,データ駆動法は十分なデータが得られると予測精度が有意に向上することが示唆された。 これは、臨床意思決定の強化におけるデータ駆動アプローチの可能性を強調している。 対照的に、ハイブリッドモデルとメカニスティックモデルは、限られたデータまたはスパースデータを持つシナリオにおいて優れている。 提案したモデリングおよび比較フレームワークは、一般化可能であり、他の治療関連毒性を予測するために拡張可能であり、パーソナライズされた医療に広く適用可能である。

関連論文リスト

• Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response [41.94295877935867]
  我々は,空間的かつ人口統計学的に解決された伝染病のメタポピュレーションモデルを構築し,パンデミックの予防接種期を表すデータセットのためのグラフニューラルネットワークを訓練する。 このアプローチはオンザフライ実行に大きな可能性をもたらし、パンデミックの意思決定に使用するローバリアWebアプリケーションへの統合を容易にする。
  論文  参考訳（メタデータ） (2024-11-10T15:54:09Z)
• 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)
• Kernel Cox partially linear regression: building predictive models for cancer patients' survival [4.230753712933184]
  我々はカーネルCox比例ハザード半パラメトリックモデルを構築し、モデルに適合する新しい正規化ニンジン化カーネルマシン(RegGKM)を提案する。 我々はカーネルマシン法を用いて生存率と予測値の複雑な関係を記述し、無関係なパラメトリックおよび非パラメトリック予測値を自動的に除去する。 この結果は、患者を異なる死亡リスクを持つグループに分類し、より良い臨床結果を得るために治療を促進するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-11T04:27:54Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Model Based Reinforcement Learning for Personalized Heparin Dosing [0.0]
  本稿では,パーソナライズされたヘパリン投与量を最適化する上での課題に対処する枠組みを提案する。 患者によって個別にパラメータ化された予測モデルを用いて、将来の治療効果を予測する。 次に、このモデルをシナリオ生成ベースのアプローチで活用し、患者の安全性を確保する。
  論文  参考訳（メタデータ） (2023-04-19T22:37:12Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Neural Pharmacodynamic State Space Modeling [1.589915930948668]
  本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。 提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。
  論文  参考訳（メタデータ） (2021-02-22T17:51:11Z)
• 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)

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。