論文の概要: Deep Survival Analysis of Longitudinal EHR Data for Joint Prediction of Hospitalization and Death in COPD Patients

• arxiv url: http://arxiv.org/abs/2511.05960v1
• Date: Sat, 08 Nov 2025 10:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.680439
• Title: Deep Survival Analysis of Longitudinal EHR Data for Joint Prediction of Hospitalization and Death in COPD Patients
• Title（参考訳）: COPD患者の入院と死亡の同時予測のための経時的 EHR データの深部生存分析
• Authors: Enrico Manzini, Thomas Gonzalez Saito, Joan Escudero, Ana Génova, Cristina Caso, Tomas Perez-Porcuna, Alexandre Perera-Lluna,
• Abstract要約: 縦断的電子健康記録を用いた COPD 患者の入院・死亡予測のための生存分析を行った。 統計モデル、機械学習(ML)、ディープラーニング(DL)のアプローチを比較した。 本研究は, COPD患者において, 経時的EHRデータに深層生存分析を適用した最初の症例である。
• 参考スコア（独自算出の注目度）: 35.25444788698584
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Patients with chronic obstructive pulmonary disease (COPD) have an increased risk of hospitalizations, strongly associated with decreased survival, yet predicting the timing of these events remains challenging and has received limited attention in the literature. In this study, we performed survival analysis to predict hospitalization and death in COPD patients using longitudinal electronic health records (EHRs), comparing statistical models, machine learning (ML), and deep learning (DL) approaches. We analyzed data from more than 150k patients from the SIDIAP database in Catalonia, Spain, from 2013 to 2017, modeling hospitalization as a first event and death as a semi-competing terminal event. Multiple models were evaluated, including Cox proportional hazards, SurvivalBoost, DeepPseudo, SurvTRACE, Dynamic Deep-Hit, and Deep Recurrent Survival Machine. Results showed that DL models utilizing recurrent architectures outperformed both ML and linear approaches in concordance and time-dependent AUC, especially for hospitalization, which proved to be the harder event to predict. This study is, to our knowledge, the first to apply deep survival analysis on longitudinal EHR data to jointly predict multiple time-to-event outcomes in COPD patients, highlighting the potential of DL approaches to capture temporal patterns and improve risk stratification.
• Abstract（参考訳）: 慢性閉塞性肺疾患(COPD)の患者は入院のリスクが高く、生存率の低下と強く関連している。 本研究では,縦断的電子健康記録(EHR)を用いた入院・死亡予測のための生存分析を行い,統計モデル,機械学習(ML)および深層学習(DL)アプローチを比較した。 スペイン・カタルーニャのSIDIAPデータベースから2013年から2017年までの1万5000人以上の患者のデータを分析した。 Cox比例ハザード、SurvivalBoost、DeepPseudo、SurvTRACE、Dynamic Deep-Hit、Deep Recurrent Survival Machineを含む複数のモデルが評価された。 その結果, 再帰的アーキテクチャを用いたDLモデルは, 整合性および時間依存型AUCにおいて, MLと線形アプローチの両方に優れており, 特に入院時の予測が困難であることが判明した。 本研究は, COPD患者において, 経時的パターンを捉え, リスク階層化を改善するためのDLアプローチの可能性を明らかにするために, 経時的EHRデータにディープサバイバル分析を適用した最初の例である。

関連論文リスト

• 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)
• DySurv: dynamic deep learning model for survival analysis with conditional variational inference [2.6163120339292654]
  本研究では,動的に死亡リスクを推定する条件付き変分自動エンコーダDySurvを提案する。 DySurv は累積リスク発生関数を直接見積もるが、時間から時間までのプロセスのパラメトリックな仮定は行わない。
  論文  参考訳（メタデータ） (2023-10-28T11:29:09Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• 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)
• Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
  本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。 本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-19T03:24:34Z)
• Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
  脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。 我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。 我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-08-17T03:46:23Z)
• 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)

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。