文献

J-GLOBAL ID：202002251683141754   整理番号：20A1013429

電子健康記録を用いた予測モデルにおける教師なし深層学習の応用【JST・京大機械翻訳】

The application of unsupervised deep learning in predictive models using electronic health records

著者 (6件)： Wang Lei (School of Statistics, Renmin University of China, Beijing, People’s Republic of China) ,  Wang Lei (Department of Mathematics, Statistics, and Computer Science, University of Illinois at Chicago, Chicago, USA) ,  Tong Liping (Advocate Aurora Health, Downers Grove, USA) ,  Davis Darcy (Advocate Aurora Health, Downers Grove, USA) ,  Arnold Tim (Cerner Corporation, North Kansas City, USA) ,  Esposito Tina (Advocate Aurora Health, Downers Grove, USA)
資料名： BMC Medical Research Methodology (Web)  (BMC Medical Research Methodology (Web))
巻： 20  号： 1  ページ： 1-9  発行年： 2020年 
JST資料番号： U7434A  ISSN： 1471-2288  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本研究の主な目的は,予測モデリングにおいて,教師なしの深い学習アルゴリズム自動符号器により生成される,患者レベルの電子健康記録(EHR)データを表す特徴の使用を調査することである。自動符号器の特徴は教師なしであるので,本論文では,広範囲の予測タスクにおけるEHR情報の一般的な低次元表現に焦点を合わせた。著者らは,従来のモデルに対して自動符号器特徴を有するモデルを比較した:最小絶対収縮と選択演算子(LASSO)とランダムフォレストアルゴリズムを有するロジスティックモデル。さらに,応答特異的変数(単純Reg)の小部分集合を用いた予測モデルと,これらの変数を自動符号器(強化Reg)からの特徴と組み合わせたモデルを含む。実際の世界EHRデータを模擬したシミュレーションデータと8つのAdvocate病院からの実際のEHRデータについて最初に研究を行った。不正確なカテゴリーと欠落したデータによるシミュレーションデータに関して,自己エンコーダのための精度は,0.7において再生を固定するとき,24.16%であり,それはランダムフォレスト(23.61%)より高くて,LASSO(25.32%)より低かった。精度は,単純Regにおいて20.92%であり,強化Regにおいて24.89%まで改善した。30日の再入院率を予測するために実際のEHRデータを使用するとき,自動エンコーダの精度は19.04%であり,それは再びランダムフォレスト(18.48%)より高く,LASSO(19.70%)より低い。単純Regと強化Regの精度は,それぞれ18.70と19.69%である。すなわち,強化されたRegはLASSOと比較して競争的な予測性能を持つことができる。さらに,結果は,この論文のシミュレーションの設定の下で,強化されたRegが通常,より少ない特徴に依存することを示している。自動符号器はEHRデータの全空間を表す有用な特徴を生成でき,予測タスクの広いアレイに適用できると結論した。重要な応答特異的予測子と共に,データ抽出とモデル訓練におけるより少ない労力で,効率的でロバストな予測モデルを導くことができる。Copyright 2020 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  シミュレーション ,  符号器 ,  ロバスト性 ,  学習アルゴリズム ,  *電子カルテ ,  *予測モデル ,  *病歴
準シソーラス用語： 予測子 ,  ロジスティックモデル ,  予測性能 ,  データ抽出 ,  ランダムフォレスト ,  予測因子 ,  低次元 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 自動エンコーダ ,  LASSO ,  REGの強化 ,  予測モデル ,  予測性能 ,  重要な応答特異的予測因子

分類 (3件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  医用情報処理  (JE15030Q)

引用文献 (33件)：

• Endocrinol Metab; How to establish clinical prediction models; YH Lee, H Bang, DJ Kim; 31; 2016; 38-44; 10.3803/EnM.2016.31.1.38; citation_id=CR1
• Br Med J; Prognosis and prognostic research: what, why, and how?; KG Moons, P Royston, Y Vergouwe, DE Grobbee, DG Altman; 338; 2009; b375; 10.1136/bmj.b375; citation_id=CR2
• PLoS Med; Prognosis research strategy (PROGRESS) 3: prognostic model research; EW Steyerberg, KG Moons, DA Windt, JA Hayden, P Perel, S Schroter, RD Riley, H Hemingway, DG Altman; 10; 2013; e1001381; 10.1371/journal.pmed.1001381; citation_id=CR3
• PLoS Med; Reporting and methods in clinical prediction research: a systematic review; W Bouwmeester, NP Zuithoff, S Mallett, MI Geerlings, Y Vergouwe, EW Steyerberg, DG Altman, KG Moons; 9; 5; 2012; e1001221; 10.1371/journal.pmed.1001221; citation_id=CR4
• Br Med J; Prognosis research strategy (PROGRESS) 1: a framework for researching clinical outcomes; H Hemingway, P Croft, P Perel, JA Hayden, K Abrams, A Timmis, A Briggs, R Udumyan, KG Moons, EW Steyerberg, I Roberts, S Schroter, DG Altman, RD Riley; 346; 2013; e5595; 10.1136/bmj.e5595; citation_id=CR5

タイトルに関連する用語 (5件)： 電子健康記録 ,  予測モデル ,  教師 ,  深層学習 ,  応用