ترجمه فارسی مقاله SeqRisk: مدل متغیر نهفته ترانسفورماتور برای پیش بینی بقا بهبود یافته با داده های طولی

چکیده

In healthcare, risk assessment of different patient outcomes has for long time been based on survival analysis, i.e.\ modeling time-to-event associations. However, conventional approaches rely on data from a single time-point, making them suboptimal for fully leveraging longitudinal patient history and capturing temporal regularities. Focusing on clinical real-world data and acknowledging its challenges, we utilize latent variable models to effectively handle irregular, noisy, and sparsely observed longitudinal data. We propose SeqRisk, a method that combines variational autoencoder (VAE) or longitudinal VAE (LVAE) with a transformer encoder and Cox proportional hazards module for risk prediction. SeqRisk captures long-range interactions, improves patient trajectory representations, enhances predictive accuracy and generalizability, as well as provides partial explainability for sample population characteristics in attempts to identify high-risk patients. We demonstrate that SeqRisk performs competitively compared to existing approaches on both simulated and real-world datasets.

چکیده به فارسی (ترجمه ماشینی)

در مراقبت های بهداشتی ، ارزیابی ریسک نتایج مختلف بیمار برای مدت طولانی مبتنی بر تجزیه و تحلیل بقا بوده است ، یعنی \ مدل سازی انجمن های زمان به رویداد.با این حال ، رویکردهای متعارف به داده های یک نقطه زمانی تک متکی هستند ، و آنها را برای استفاده کامل از تاریخچه بیمار طولی و گرفتن نظم های زمانی زیر حد متوسط ​​می کند.با تمرکز بر داده های بالینی در دنیای واقعی و تأیید چالش های آن ، ما از مدلهای متغیر نهفته برای کنترل موثر داده های طولی نامنظم ، پر سر و صدا و مشاهده شده استفاده می کنیم.ما SeqRisk را پیشنهاد می کنیم ، روشی که ترکیبی از AutoEncoder متغیر (VAE) یا VAE طولی (LVAE) با یک رمزگذار ترانسفورماتور و ماژول خطرات متناسب کاکس برای پیش بینی خطر است.Seqrisk تعاملات دوربرد را ضبط می کند ، بازنمایی های مسیر بیمار را بهبود می بخشد ، دقت و تعمیم پیش بینی را افزایش می دهد ، و همچنین توضیح جزئی برای ویژگی های جمعیت نمونه در تلاش برای شناسایی بیماران پرخطر را فراهم می کند.ما نشان می دهیم که Seqrisk در مقایسه با رویکردهای موجود در هر دو مجموعه داده شبیه سازی شده و واقعی ، رقابتی را انجام می دهد.