Fugu-MT 論文翻訳(概要): Probabilistic learning to perform pre-onset individualised prediction of disease severity: application to Veno Occlusive Disease

論文の概要: Probabilistic learning to perform pre-onset individualised prediction of disease severity: application to Veno Occlusive Disease

arxiv url: http://arxiv.org/abs/2606.06516v1
Date: Tue, 02 Jun 2026 11:23:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-08 14:33:29.332535
Title: Probabilistic learning to perform pre-onset individualised prediction of disease severity: application to Veno Occlusive Disease
Title（参考訳）: 発症前個別の重症度予測のための確率論的学習--Veno Occlusive Diseaseへの応用
Authors: Dalia Chakrabarty, Kane Warrior, Chuqiao Zhang, Akash Bhojgaria, Joydeep Chakrabartty,
Abstract要約: 我々は,患者が発症する重症度を,信頼性,自動化,早期に予測できる新しい確率論的教師あり学習アプローチを推進している。対象患者のデジタル双生児(DT)におけるVeno Occlusive Disease(VOD)の重症度スコアの移植前予測を通じて,予測能力を示す。このような自動予測を行うためにAI施設が開発され、医師は、患者が検討中のDTを特徴付ける移植前状態にデータを入力する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We advance a new probabilistic supervised learning approach that permits reliable, automated, and early individualised prediction of the severity with which a disease will develop in a prospective patient. The prediction capacity is illustrated via the pre-transplant prediction of the score of severity of Veno Occlusive Disease (or VOD) in the digital twin (DT) of the considered prospective patient, where this score parametrises the severity with which VOD will develop in this patient, after they undergo their Bone Marrow Transplant. The learning of the relationship between the pre-transplant variables, and a severity score variable is undertaken by modelling this relationship as a (random) function that is treated as a sample function of an adequately-chosen stochastic process. The parameters of this underlying process are learnt using a training dataset that is generated using the real-time evolution of retrospective patients in a cohort, with this training dataset subsequently augmented in size by a probabilistic inverse learning of the score of prospective patients. The augmented training set, then permits the learning of the function that capacitates - at the pre-transplant stage - automated prediction of the score of the severity of VOD that characterises the DT of a physical patient in their unique pre-transplant state. This score is subsequently fed back to the real prospective patient as the severity with which VOD will develop in them, after this patient undergoes their transplant. Such a score then permits the treating Haematologist-Oncologists to decide on the treatment regimen, which in this illustration reduces to deciding on treating the patient with Defibrotide. An AI facility is developed to undertake such automated prediction, with the physician inputting the data on the pre-transplant state that characterises the DT of the prospective patient under consideration.
Abstract（参考訳）: 我々は,患者が発症する重症度を,信頼性,自動化,早期に予測できる新しい確率論的教師あり学習アプローチを推進している。本研究は,Veno Occlusive Disease (VOD) の重症度を術前に予測し,Veno Occlusive Disease (VOD) の重症度を予測した。この関係を, 適切に構成された確率過程のサンプル関数として扱う(ランダム)関数としてモデル化することにより, 移植前変数と重度スコア変数の関係の学習を行う。このプロセスのパラメータは、コホートにおける振り返り患者のリアルタイム進化を用いて生成されたトレーニングデータセットを用いて学習され、このトレーニングデータセットは、その後、予測された患者のスコアの確率論的逆学習によって、サイズを拡大する。強化トレーニングセットは、移植前段階で、物理患者のDTを独自の移植前状態で特徴付けるVODの重症度スコアの自動予測を可能にする。このスコアは、移植後にVODが発症する重症度として、真の将来的な患者にフィードバックされる。このようなスコアは、Haematologist-Oncologists が治療体制を決定することを許可し、この図では、デシドロチドの患者を治療する決定に還元される。このような自動予測を行うためにAI施設が開発され、医師は、患者が検討中のDTを特徴付ける移植前状態にデータを入力する。

関連論文リスト

SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-24T04:47:36Z)
A Knowledge Distillation Approach for Sepsis Outcome Prediction from Multivariate Clinical Time Series [2.621671379723151]
我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
論文参考訳（メタデータ） (2023-11-16T05:06:51Z)
Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning [0.0]
本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
論文参考訳（メタデータ） (2022-11-01T20:42:26Z)
Patient-Specific Game-Based Transfer Method for Parkinson's Disease Severity Prediction [3.9327102711186295]
ダイスフォニアはパーキンソン病(PD)の早期症状の一つである本稿では,PD重症度予測のためのPSGT法を提案する。実験結果から,PSGT法は比較法よりも予測誤差と安定性の両方において優れた性能を示した。
論文参考訳（メタデータ） (2022-08-07T02:04:27Z)
Bridging the Gap Between Patient-specific and Patient-independent Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文参考訳（メタデータ） (2022-02-25T10:30:29Z)
Development of patients triage algorithm from nationwide COVID-19 registry data based on machine learning [1.0323063834827415]
本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
論文参考訳（メタデータ） (2021-09-18T19:56:27Z)
Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文参考訳（メタデータ） (2021-04-28T15:32:42Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。