Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
The Myth of Complete AI-Fairness Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Disentangled Hyperspherical Clustering for Sepsis Phenotyping

verfasst von : Cheng Cheng, Jason Kennedy, Christopher Seymour, Jeremy C. Weiss

Erschienen in: Artificial Intelligence in Medicine

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Sepsis is a heterogeneous disease. Clustering sepsis patients into homogeneous subgroups with characteristic phenotypes may help for studying the disease progression and for providing targeted therapies. Existing clustering methods use many or all input variables whereas clusters defined by few variables are preferred by clinicians investigating subgroup treatment. To address this gap, we propose a soft F-statistic loss that promotes disentangled clusters differentiating on a small subset of features. Empirical and qualitative results demonstrate our method excels at achieving the desired property against competing methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Stratification of Parkinson’s Disease Patients via Multi-view Clustering
Nächstes Kapitel Phenotypes for Resistant Bacteria Infections Using an Efficient Subgroup Discovery Algorithm
Literatur
1.
Eastwood, C., Williams, C.K.I.: A framework for the quantitative evaluation of disentangled representations. In: ICLR (2018)
2.
Fillmore, N., et al.: Hypersphere clustering to characterize healthcare providers using prescriptions and procedures from medicare claims data. In: AMIA (2019)
3.
Guo, X., et al.: Improved deep embedded clustering with local structure preservation. In: IJCAI-17, pp. 1753–1759 (2017)
4.
Knox, D.B., et al.: Phenotypic clusters within sepsis-associated multiple organ dysfunction syndrome. Intensive Care Med. 41(5), 814–822 (2015)CrossRef
5.
Locatello, F., et al.: Challenging common assumptions in the unsupervised learning of disentangled representations. In: Proceedings of the 36th ICML (2019)
6.
Marshall, J.C.: Why have clinical trials in sepsis failed? Trends Mol. Med. 20(4), 195–203 (2014)CrossRef
7.
Moser, J., et al.: Identifying sepsis phenotypes. JAMA 322(14), 1416–1416 (2019)CrossRef
8.
Ridgeway, K., Mozer, M.C.: Learning deep disentangled embeddings with the f-statistic loss. In: Advances in NIPS 31, pp. 185–194. Curran Associates, Inc. (2018)
9.
Seymour, C.W., et al.: Derivation, validation, and potential treatment implications of novel clinical phenotypes for sepsis. JAMA 321(20), 2003–2017 (2019)CrossRef
10.
Shankar-Hari, M., et al.: Developing a new definition and assessing new clinical criteria for septic shock. JAMA 315(8), 775–787 (2016)CrossRef
11.
Talisa, V.B., et al.: Arguing for adaptive clinical trials in sepsis. Front. Immunol. 9, 1502 (2018)CrossRef
12.
Xie, J., et al.: Unsupervised deep embedding for clustering analysis. In: ICML (2016)
13.
Yang, B., et al.: Towards k-means-friendly spaces: simultaneous deep learning and clustering. CoRR abs/1610.04794 (2016)
Metadaten
Titel
Disentangled Hyperspherical Clustering for Sepsis Phenotyping
verfasst von
Cheng Cheng
Jason Kennedy
Christopher Seymour
Jeremy C. Weiss
Copyright-Jahr
2021
Buch
Artificial Intelligence in Medicine

Print ISBN: 978-3-030-77210-9

Electronic ISBN: 978-3-030-77211-6

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-77211-6_26