SurvTimeSurvival: Survival Analysis On The Patient With Multiple Visits/Records

要約

最近の人工知能の進歩にもかかわらず、重篤な疾患を持つ患者の生存期間を正確に予測することは依然として重要な課題です。
この研究では、Transformer モデルを利用して、時変共変量の複雑さだけでなく共変量データも処理する「SurvTimeSurvival: 複数の訪問/記録を持つ患者の生存分析」を紹介します。
また、合成データ生成をモデルの学習プロセスに統合することで、生存分析データセットに共通するデータの疎性の問題にも取り組んでいます。
私たちの方法が、共変量と時間変化する共変量データセットの両方において最先端の深層学習アプローチよりも優れていることを示します。
私たちのアプローチは、さまざまな病状にわたる個々の患者の生存軌跡の理解を深め、それによって予測精度を向上させるだけでなく、臨床試験の設計や新しい治療法の開発において極めて重要な役割を果たすことも目的としています。

要約(オリジナル)

The accurate prediction of survival times for patients with severe diseases remains a critical challenge despite recent advances in artificial intelligence. This study introduces ‘SurvTimeSurvival: Survival Analysis On Patients With Multiple Visits/Records’, utilizing the Transformer model to not only handle the complexities of time-varying covariates but also covariates data. We also tackle the data sparsity issue common to survival analysis datasets by integrating synthetic data generation into the learning process of our model. We show that our method outperforms state-of-the-art deep learning approaches on both covariates and time-varying covariates datasets. Our approach aims not only to enhance the understanding of individual patient survival trajectories across various medical conditions, thereby improving prediction accuracy, but also to play a pivotal role in designing clinical trials and creating new treatments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google