論文の概要: Supervised Coupled Matrix-Tensor Factorization (SCMTF) for Computational Phenotyping of Patient Reported Outcomes in Ulcerative Colitis

• arxiv url: http://arxiv.org/abs/2506.20065v1
• Date: Tue, 24 Jun 2025 23:55:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.570397
• Title: Supervised Coupled Matrix-Tensor Factorization (SCMTF) for Computational Phenotyping of Patient Reported Outcomes in Ulcerative Colitis
• Title（参考訳）: SCMTFによる潰瘍性大腸炎術後の予後の検討
• Authors: Cristian Minoccheri, Sophia Tesic, Kayvan Najarian, Ryan Stidham,
• Abstract要約: フェノタイピング(英: Phenotyping)とは、異なるタイプの疾患の進行を識別するために、患者のグループを識別する過程である。 患者が報告した症状は、通常、他のデータタイプよりも騒々しく、主観的で、はるかに疎外である。 本稿では,新しい教師付き行列-テンソル因子化法(SCMTF)を用いて,患者報告結果(PROs)を活用するための計算表現型の適用について検討する。
• 参考スコア（独自算出の注目度）: 1.2545963971598164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phenotyping is the process of distinguishing groups of patients to identify different types of disease progression. A recent trend employs low-rank matrix and tensor factorization methods for their capability of dealing with multi-modal, heterogeneous, and missing data. Symptom quantification is crucial for understanding patient experiences in inflammatory bowel disease, especially in conditions such as ulcerative colitis (UC). However, patient-reported symptoms are typically noisy, subjective, and significantly more sparse than other data types. For this reason, they are usually not included in phenotyping and other machine learning methods. This paper explores the application of computational phenotyping to leverage Patient-Reported Outcomes (PROs) using a novel supervised coupled matrix-tensor factorization (SCMTF) method, which integrates temporal PROs and temporal labs with static features to predict medication persistence in ulcerative colitis. This is the first tensor-based method that is both supervised and coupled, it is the first application to the UC domain, and the first application to PROs. We use a deep learning framework that makes the model flexible and easy to train. The proposed method allows us to handle the large amount of missing data in the PROs. The best model predicts changes in medication 8 and 20 months in the future with AUCs of 0.853 and 0.803 on the test set respectively. We derive interpretable phenotypes consisting of static features and temporal features (including their temporal patterns). We show that low-rank matrix and tensor based phenotyping can be successfully applied to the UC domain and to highly missing PRO data. We identify phenotypes useful to predict medication persistence - these phenotypes include several symptom variables, showing that PROs contain relevant infromation that is usually discarded.
• Abstract（参考訳）: フェノタイピング(英: Phenotyping)とは、異なるタイプの疾患の進行を識別するために、患者のグループを識別する過程である。 最近のトレンドでは、マルチモーダル、ヘテロジニアス、欠落データを扱う能力のために、低ランク行列とテンソル分解法が採用されている。 症状定量化は炎症性腸疾患、特に潰瘍性大腸炎(UC)などの病態における患者の経験を理解するために重要である。 しかし、患者が報告した症状は、通常、他のデータタイプよりも騒々しく、主観的で、はるかにまばらである。 そのため、表現型化やその他の機械学習手法には含まれないことが多い。 本稿では, 経時的POPと経時的実験室を統合し, 潰瘍性大腸炎における薬剤の持続性を予測するSCMTF法を用いて, 患者報告アウトカム(PROs)の活用について検討する。 これは、制御と結合の両方を行う最初のテンソルベースの手法であり、UCドメインへの最初の応用であり、Properへの最初の応用である。 私たちは、モデルを柔軟に訓練しやすくするディープラーニングフレームワークを使用しています。 提案手法により, PRO における大量の欠落データを扱うことができる。 最良のモデルは、テストセットでそれぞれ0.853と0.803のAUCで、将来8ヶ月と20ヶ月の薬物の変化を予測する。 静的特徴と時間的特徴(時間的パターンを含む)からなる解釈可能な表現型を導出する。 その結果,低ランク行列とテンソルベースの表現型化は,UC領域や高度に欠落した PRO データに適用できることが示唆された。 これらの表現型には、いくつかの症状変数が含まれており、PROは、通常廃棄される関連するインジェクションを含んでいることを示す。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• PheME: A deep ensemble framework for improving phenotype prediction from multi-modal data [42.56953523499849]
  PheMEは, 構造化EHRのマルチモーダルデータを用いたアンサンブル・フレームワークであり, 非構造化臨床ノートを用いて, 正確なフェノタイプ予測を行う。 我々はアンサンブル学習を活用し、単一モーダルモデルと多モーダルモデルからの出力を組み合わせて表現型予測を改善する。
  論文  参考訳（メタデータ） (2023-03-19T23:41:04Z)
• 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)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• A cost-based multi-layer network approach for the discovery of patient phenotypes [2.816539638885011]
  コミュニティ検出手法を用いて表現型を検出するためのコストベース層セレクタモデルを提案する。 私たちのゴールは、その品質を維持しながら、これらの表現型を構築するのに使用される機能の数を最小化することです。 いくつかの後処理変数では、COBALTの表現型を特徴とする予測子は、従来のクラスタリング法で検出された表現型よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T14:07:10Z)
• Unsupervised EHR-based Phenotyping via Matrix and Tensor Decompositions [0.6875312133832078]
  本稿では,低ランク近似に基づく計算表現法について概観する。 近年,様々な制約を組み込んだ低ランクデータ近似手法が開発され,解釈可能性の向上が図られている。
  論文  参考訳（メタデータ） (2022-09-01T09:47:27Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。