Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Simultaneous Measurement Imputation and Outcome Prediction for Achilles Tendon Rupture Rehabilitation
KTH. Royal Military Academy, Brussels, Belgium.
KTH, Skolan för elektroteknik och datavetenskap (EECS), Robotik, perception och lärande, RPL.ORCID-id: 0000-0003-1356-9653
Karolinska University Hospital, Stockholm, Sweden.
KTH, Skolan för elektroteknik och datavetenskap (EECS), Robotik, perception och lärande, RPL.ORCID-id: 0000-0002-5750-9655
Visa övriga samt affilieringar
2019 (Engelska)Ingår i: Proceedings of Machine Learning Research 106, 2019Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Achilles Tendon Rupture (ATR) is one of the typical soft tissue injuries. Rehabilitation after such a musculoskeletal injury remains a prolonged process with a very variable outcome. Accurately predicting rehabilitation outcome is crucial for treatment decision support. However, it is challenging to train an automatic method for predicting the AT Rrehabilitation outcome from treatment data, due to a massive amount of missing entries in the data recorded from ATR patients, as well as complex nonlinear relations between measurements and outcomes. In this work, we design an end-to-end probabilistic framework to impute missing data entries and predict rehabilitation outcomes simultaneously. We evaluate our model on a real-life ATR clinical cohort, comparing with various baselines. The proposed method demonstrates its clear superiority over traditional methods which typically perform imputation and prediction in two separate stages.

Ort, förlag, år, upplaga, sidor
2019.
Nationell ämneskategori
Teknik och teknologier Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:kth:diva-258070OAI: oai:DiVA.org:kth-258070DiVA, id: diva2:1349749
Konferens
Machine Learning for Healthcare 2019, University of Michigan, Ann Arbor, MI August 8-10, 2019
Anmärkning

QC 20190912

Tillgänglig från: 2019-09-09 Skapad: 2019-09-09 Senast uppdaterad: 2019-09-17Bibliografiskt granskad

Open Access i DiVA

fulltext(683 kB)2 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 683 kBChecksumma SHA-512
5fe40837dfaab132bbe2194304f18f242b4c8f74f885e42c53940277ccdb8a5f662313ba49751ebe2e2e160faba39c8b8e5748cd8685a9d0975fc46e17ada241
Typ fulltextMimetyp application/pdf

Övriga länkar

Conference

Personposter BETA

Tu, RuiboKjellström, Hedvig

Sök vidare i DiVA

Av författaren/redaktören
Hamesse, CharlesTu, RuiboKjellström, Hedvig
Av organisationen
KTHRobotik, perception och lärande, RPL
Teknik och teknologierDatavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 2 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 39 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf