XiaoMi-AI文件搜索系统
World File Search System事件时间
WTTE-RNN：威布尔事件时间递归神经网络
在本论文中，我们提出了一种预测事件发生时间的新模型：威布尔事件时间 RNN。这是一个用于预测下一个事件发生时间的时间序列的简单框架，适用于我们遇到连续或离散时间、右删失、重复事件、时间模式、随时间变化的协变量或不同长度的时间序列中的任何一个或所有问题时。所有这些问题在客户流失、剩余使用寿命、故障、尖峰训练和事件预测中经常遇到。所提出的模型估计下一个事件发生时间的分布具有离散或连续威布尔分布，其参数是递归神经网络的输出。该模型使用生存分析中常用的特殊目标函数（删失数据的对数似然损失）进行训练。威布尔分布足够简单，可以避免稀疏性，并且可以轻松地进行正则化以避免过度拟合，但仍然具有足够的表现力来编码诸如增加、平稳或减少风险等概念，并且可以在允许的情况下收敛到点估计。预测的威布尔参数可用于预测下一个事件时间的预期值和分位数。它还导致未来风险的自然 2d 嵌入，可用于监控和探索性分析。我们使用通用的审查数据框架来描述 WTTE-RNN，该框架可以轻松地与其他分布一起扩展并适用于多变量预测。我们表明，常见的比例风险模型和威布尔加速故障时间模型是 WTTE-RNN 的特殊情况。所提出的模型在具有不同程度的审查和时间分辨率的模拟数据上进行了评估。我们将其与二元固定窗口预测模型和处理审查数据的简单方法进行了比较。该模型优于简单方法，并且被发现具有许多优势和与二元固定窗口 RNN 相当的性能，而无需指定窗口大小和在更多数据上进行训练的能力。应用于 CMAPSS 数据集以进行模拟喷气发动机的 PHM 运行至故障得到了有希望的结果。
WTTE-RNN：威布尔事件时间循环神经网络
在本文中，我们提出了一种预测事件发生时间的新模型：威布尔事件时间 RNN。这是一个用于预测下一个事件发生时间的时间序列的简单框架，适用于我们遇到连续或离散时间、右删失、重复事件、时间模式、随时间变化的协变量或不同长度的时间序列中的任何一个或所有问题。所有这些问题在客户流失、剩余使用寿命、故障、尖峰序列和事件预测中经常遇到。所提出的模型估计下一个事件发生时间的分布具有离散或连续威布尔分布，其参数是递归神经网络的输出。该模型使用生存分析中常用的特殊目标函数（删失数据的对数似然损失）进行训练。威布尔分布足够简单，可以避免稀疏性，并且可以轻松进行正则化以避免过度拟合，但仍然具有足够的表现力来编码诸如增加、平稳或减少风险之类的概念，并且如果允许的话可以收敛到点估计。预测的威布尔参数可用于预测下一个事件发生时间的预期值和分位数。它还会导致未来风险的自然 2d 嵌入，可用于监测和探索性分析。我们使用一个通用的删失数据框架来描述 WTTE-RNN，该框架可以轻松地与其他分布一起扩展并适用于多变量预测。我们表明，常见的比例风险模型和威布尔加速故障时间模型是 WTTE-RNN 的特殊情况。对具有不同程度删失和时间分辨率的模拟数据评估了所提出的模型。我们将它与二元固定窗口预测模型和处理删失数据的简单方法进行了比较。该模型优于简单方法，并且被发现具有许多优点和与二元固定窗口 RNN 相当的性能，而无需指定窗口大小和在更多数据上训练的能力。将 CMAPSS 数据集应用于模拟喷气发动机的 PHM 运行至故障得到了有希望的结果。
循环死亡后受控捐赠中的心脏移植：使用重建的事件时间数据
CDCD心的总数占2021年在美国（美国）可用于移植的5.4％的捐赠者心脏，但是随着采用方法的采用和每种采购技术的普及，在未来几年中估计这可能会增加到30％（5）。有两种主要的技术来运输和灌注同种异体移植物，即直接采购方案（DPP）和正常热区域灌注（NRP）（6）。这两种技术旨在克服CDCD心脏移植的主要挑战，这在其“冷”和“温暖”阶段都可以最小化缺血时间。两种采购技术之间的主要区别在于插管的顺序和机器灌注阶段的性质。dpp涉及在插管前插管和机器灌注之前去除心脏，然后将器官放在植入前冷藏中。因此，前后机器灌注阶段之前和之后存在冷缺血时间。相反，NRP涉及在植入前的爆发前使用心肺旁路（CPB）和体内心脏的机器灌注（7）。两种策略都遭受了最初的“功能性缺血时间”，一旦启动了WLST，就会宣布死亡并完成手术通道时，灌注状态低。
![arXiv:2109.10835v1 [cs.NE] 2021 年 9 月 22 日](/simg/g:\will\search\icon\source\b\b4b9612f05a4c69146c353d2dd9baa9e32a988ee.webp)
arXiv:2109.10835v1 [cs.NE] 2021 年 9 月 22 日
脉冲序列可以表示为事件时间列表，例如狄拉克函数 σ ( t ) = ∑ i δ ( t − ti ) 之和
免疫疗法的贝叶斯随机II期设计...
Guo，B。和Zang，Y。 （2020）。 双岩：通过共同建模纵向免疫反应和事件时间疗效，用于免疫疗法的贝叶斯随机II期设计。 医学的统计数据，39（29），4439–4451。 https://doi.org/10.1002/sim.8733Guo，B。和Zang，Y。（2020）。双岩：通过共同建模纵向免疫反应和事件时间疗效，用于免疫疗法的贝叶斯随机II期设计。医学的统计数据，39（29），4439–4451。https://doi.org/10.1002/sim.8733
叮咬：生存数据平衡的个人治疗效果
动机：估计干预措施对患者预后的影响是个性化医学的关键方面之一。通常，培训数据仅包括管理治疗的结果，而不是替代治疗的结果（所谓的反事实结果），通常会挑战他们的推论。基于观察数据，即对于连续和二进制结果变量都没有应用干预措施的数据。但是，如果在观察期内没有发生事件，则通常会根据事件时间数据记录患者结果，包括右审查的事件时间。尽管很重要，但事件时间数据很少用于治疗优化。我们建议一种名为BITES（生存数据平衡的个体治疗效果），该处理结合了治疗特定的半参数COX损失与治疗均衡的深层神经网络；即我们使用积分概率指标（IPM）正规化治疗和未处理患者之间的差异。结果：我们在模拟研究中表明，这种方法的表现优于最新技术。此外，我们在应用乳腺癌患者的同类中，根据六个常规参数可以优化激素治疗。我们在独立队列中成功验证了这一发现。可用性和实现：我们将叮咬作为易于使用的Python实现，包括计划的超参数优化（https://github.com/sschrod/bites）。本文基础的数据可在https://rdrr.io/cran/survival/man/man/gbsg.html和https://rdrr.io/cran/cran/survival/survival/man/man/rotterdam.html中获得。联系人：stefan.schrod@bioinf.med.uni-goettingen.de或michael.altenbuchinger@bioinf.med.uni-goettingen.de补充信息：可在BreioNformatics Online获得补充数据。
分析依赖量表的生物多样性变化与MOBR
描述用于统计和机器学习的元包包，其统一界面用于模型拟合，预测，绩效评估和结果的呈现。用于模型拟合和预测数值，分类或审查的事件时间结果的方法包括传统的回归模型，正则化方法，基于树的方法，支持向量机，神经网络，合奏，数据预处理，滤清，滤波，过滤和模型调音和选择和选择。提供了用于模型评估的性能指标，并且可以通过独立的测试集，拆分抽样，交叉验证或引导程序重新采样来估算。重新样本估计可以并行执行以进行更快的处理，并在模型调整和选择的情况下嵌套。建模结果可以用描述性统计数据来汇总；校准曲线；可变重要性；部分依赖图；混淆矩阵；和ROC，LIFT和其他性能曲线。
心力衰竭风险预测的可解释生存分析
生存分析或事件时间分析是医疗保健研究中的重要且普遍存在的问题。医学研究由于其简单性和解释性而在传统上取决于Cox模型的生存分析。COX模型会随着时间的流逝具有对数线性危害函数和比例危害，并且在这些临时失败时会表现不佳。基于机器学习的新生存模型避免了这些假设并提供了提高的准确性，但有时以模型可解释性为代价，这是临床使用的活动。我们提出了一条新型的生存分析管道，该管道既可以解释又具有最先进的生存模式。具体来说，我们使用改进的生存堆叠版本将生存分析问题转化为分类问题，控制权以执行特征选择，并显然可以提升机器，以产生可靠的相互预测。为了评估我们的管道，我们使用大型EHR数据库预测心力衰竭的风险。我们的管道实现了最新的性能，并提供了有关心力衰竭危险因素的互动和新颖的见解。
与链球菌感染和肠道菌群组成相关的小儿自身免疫性神经精神疾病：我们知道什么？
免疫系统可以识别并杀死恶性细胞。抗癌免疫机制被实现为多尺度，非线性细胞和分子过程。许多因素决定了免疫系统肿瘤相互作用的结果，包括癌症相关抗原，免疫细胞和宿主生物。在这种复杂性和非线性动力学的背景下，深度数据驱动的理论和数学建模可以提高我们对控制这些过程的机制，定义可靠的生物标志物的理解，并有可能提高免疫和联合疗法的能力。在这里，我们审查并总结了对研究主题的贡献“ Oncoimmunology中的数学建模和计算预测。” Metzcar等人的评论。讨论了一种机械学习方法的概述，该方法将机械数学建模与数据驱动的机器学习结合在一起。作者回顾了这种方法的观点，并讨论了机械学习如何推动数学肿瘤学。提供了四类的机械学习（顺序，平行，外在，内在），其中包括来自肿瘤学研究的示例，例如纵向肿瘤反应预测和事件时间分析。