論文の概要: Patient Similarity Computation for Clinical Decision Support: An Efficient Use of Data Transformation, Combining Static and Time Series Data

• arxiv url: http://arxiv.org/abs/2506.07092v1
• Date: Sun, 08 Jun 2025 11:32:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.079411
• Title: Patient Similarity Computation for Clinical Decision Support: An Efficient Use of Data Transformation, Combining Static and Time Series Data
• Title（参考訳）: 臨床診断支援のための患者類似性計算:静的データと時系列データを組み合わせたデータ変換の効率化
• Authors: Joydeb Kumar Sana, Mohammad M. Masud, M Sohel Rahman, M Saifur Rahman,
• Abstract要約: 患者類似度計算(PSC)は医療情報学の基本的な問題である。 本稿では,データ変換(DT)法に基づく分散患者類似度計算(DPSC)手法を提案する。 我々のDTベースのアプローチは、AUC、精度、F測定の点で、予測性能を最大11.4%、10.20%、12.6%向上させる。
• 参考スコア（独自算出の注目度）: 0.9546075062932505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patient similarity computation (PSC) is a fundamental problem in healthcare informatics. The aim of the patient similarity computation is to measure the similarity among patients according to their historical clinical records, which helps to improve clinical decision support. This paper presents a novel distributed patient similarity computation (DPSC) technique based on data transformation (DT) methods, utilizing an effective combination of time series and static data. Time series data are sensor-collected patients' information, including metrics like heart rate, blood pressure, Oxygen saturation, respiration, etc. The static data are mainly patient background and demographic data, including age, weight, height, gender, etc. Static data has been used for clustering the patients. Before feeding the static data to the machine learning model adaptive Weight-of-Evidence (aWOE) and Z-score data transformation (DT) methods have been performed, which improve the prediction performances. In aWOE-based patient similarity models, sensitive patient information has been processed using aWOE which preserves the data privacy of the trained models. We used the Dynamic Time Warping (DTW) approach, which is robust and very popular, for time series similarity. However, DTW is not suitable for big data due to the significant computational run-time. To overcome this problem, distributed DTW computation is used in this study. For Coronary Artery Disease, our DT based approach boosts prediction performance by as much as 11.4%, 10.20%, and 12.6% in terms of AUC, accuracy, and F-measure, respectively. In the case of Congestive Heart Failure (CHF), our proposed method achieves performance enhancement up to 15.9%, 10.5%, and 21.9% for the same measures, respectively. The proposed method reduces the computation time by as high as 40%.
• Abstract（参考訳）: 患者類似度計算(PSC)は医療情報学の基本的な問題である。 患者間の類似度計算の目的は,患者の臨床記録に基づいて患者間の類似度を測定することであり,臨床診断支援の改善に寄与する。 本稿では、時系列と静的データの効果的な組み合わせを利用して、データ変換(DT)法に基づく分散患者類似性計算(DPSC)手法を提案する。 時系列データは、心拍、血圧、酸素飽和、呼吸などの指標を含む、センサーによって収集された患者の情報である。 静的データは、主に年齢、体重、身長、性別など、患者の背景と人口統計データである。 静的データは患者のクラスタリングに使われてきた。 静的データを機械学習モデルに入力する前に、アダプティブウェイト・オブ・エビデンス(aWOE)とZスコアデータ変換(DT)法が実施され、予測性能が向上した。 aWOEベースの患者類似モデルでは、訓練されたモデルのデータのプライバシを保存するaWOEを使用して、センシティブな患者情報を処理している。 私たちは、時系列の類似性のために、堅牢で非常に人気のある動的時間ウォーピング(DTW)アプローチを使用しました。 しかし、DTWは大きな計算実行時間のため、ビッグデータには適さない。 この問題を解決するために,分散DTW計算を用いる。 冠動脈疾患では, DTをベースとしたアプローチにより, AUC, 精度, F測定値の最大11.4%, 10.20%, 12.6%の予測性能が向上する。 心不全(CHF)では, それぞれ15.9%, 10.5%, 21.9%に改善した。 提案手法は計算時間を最大40%削減する。

関連論文リスト

• SHIP: A Shapelet-based Approach for Interpretable Patient-Ventilator Asynchrony Detection [3.580340090571342]
  PVA(Patent-ventilator asynchrony)は、機械的換気の際の一般的な問題であり、最大85%の患者に影響を及ぼす。 PVA検出のためのシェープレットベースアプローチ ShiP を提案する。 本手法は,シェープレットに基づくデータ拡張によるデータセットの不均衡に対処し,より効果的な分類のために,シェープレットプールを構築してデータセットを変換する。
  論文  参考訳（メタデータ） (2025-03-09T11:58:03Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• 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)
• Heterogeneous electronic medical record representation for similarity computing [3.039568795810294]
  患者類似度評価は、特定の患者に類似している患者を識別するための二次タスクの1つです。 本稿では,EMR(Electronic Medical Records)の新しいデータ表現手法について検討する。 本研究では,非構造化データと構造化データを用いて,症状,症状,疾患を含むさまざまな医療イベントの同時発生を捉える手法を提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:38:14Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• A random shuffle method to expand a narrow dataset and overcome the associated challenges in a clinical study: a heart failure cohort example [50.591267188664666]
  本研究の目的は、統計的に合法なHFデータセットのカーディナリティを高めるためにランダムシャッフル法を設計することであった。 提案されたランダムシャッフル法は、HFデータセットのカーディナリティを10回、およびランダムな繰り返し測定アプローチに続いて21回向上させることができた。
  論文  参考訳（メタデータ） (2020-12-12T10:59:38Z)
• Longitudinal modeling of MS patient trajectories improves predictions of disability progression [2.117653457384462]
  本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。 本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。 文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
  論文  参考訳（メタデータ） (2020-11-09T20:48:00Z)
• 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)
• 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。