論文の概要: Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation

• arxiv url: http://arxiv.org/abs/2509.25381v1
• Date: Mon, 29 Sep 2025 18:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.9256
• Title: Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation
• Title（参考訳）: 機能的共変量を用いた競合リスクモデリングの深層生存分析とデータインプットの欠如
• Authors: Penglei Gao, Yan Zou, Abhijit Duggal, Shuaiqi Huang, Faming Liang, Xiaofeng Wang,
• Abstract要約: 本稿では、競合リスク下での離散時間生存分析のための統合ディープラーニングフレームワークFCRNを紹介する。 関数データ表現のためのマイクロネットワークバス層と勾配ベースの計算モジュールを組み合わせることで、FCRNは、欠落した値をインプットし、イベント固有のハザードを予測することを同時に学習する。
• 参考スコア（独自算出の注目度）: 13.108896747775063
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce the Functional Competing Risk Net (FCRN), a unified deep-learning framework for discrete-time survival analysis under competing risks, which seamlessly integrates functional covariates and handles missing data within an end-to-end model. By combining a micro-network Basis Layer for functional data representation with a gradient-based imputation module, FCRN simultaneously learns to impute missing values and predict event-specific hazards. Evaluated on multiple simulated datasets and a real-world ICU case study using the MIMIC-IV and Cleveland Clinic datasets, FCRN demonstrates substantial improvements in prediction accuracy over random survival forests and traditional competing risks models. This approach advances prognostic modeling in critical care by more effectively capturing dynamic risk factors and static predictors while accommodating irregular and incomplete data.
• Abstract（参考訳）: 本稿では,競合するリスク下での離散時間生存分析のための統合ディープラーニングフレームワークであるFCRNを紹介し,機能的共変をシームレスに統合し,エンド・ツー・エンド・エンド・モデルで欠落データを処理する。 関数データ表現のためのマイクロネットワークバス層と勾配ベースの計算モジュールを組み合わせることで、FCRNは、欠落した値をインプットし、イベント固有のハザードを予測することを同時に学習する。 複数のシミュレートされたデータセットとMIMIC-IVとクリーブランド・クリニックのデータセットを用いた実世界のICUケーススタディに基づいて、FCRNはランダムサバイバル森林と従来の競合するリスクモデルに対して、予測精度を大幅に改善することを示した。 このアプローチは、不完全なデータと不完全データを収容しながら、動的リスクファクターと静的予測器をより効果的に捉えることにより、クリティカルケアにおける予後モデリングを促進する。

関連論文リスト

• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• CRISP-NAM: Competing Risks Interpretable Survival Prediction with Neural Additive Models [0.22940141855172033]
  CRISP-NAMは、競合するリスクサバイバル分析のための解釈可能なニューラル加算モデルである。 各機能は、専用ニューラルネットワークによるリスク推定に独立して寄与する。 既存のアプローチと比較して,複数のデータセット上での競合性能を実証する。
  論文  参考訳（メタデータ） (2025-05-27T15:52:15Z)
• 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)
• Modeling Long Sequences in Bladder Cancer Recurrence: A Comparative Evaluation of LSTM,Transformer,and Mamba [0.0]
  本研究では,Cox比例ハザードモデルを用いて,時系列データを扱う深層学習モデルの利点を統合する。 LSTM-Coxモデルは、TransformerやMambaといった新しいモデルにまたがる、リカレントなデータ解析と特徴抽出のための堅牢で効率的な方法である。
  論文  参考訳（メタデータ） (2024-05-28T18:38:15Z)
• 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)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。