Bayesian Non-Homogeneous Hidden Markov Model with Variable Selection for Investigating Drivers of Seizure Risk Cycling
带变量选择的贝叶斯非齐次隐马尔可夫模型：癫痫发作风险周期的驱动因素AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以每日计数序列、隐状态与状态转移建模为核心，对应时间序列方法；临床风险不属于金融风险。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
带变量选择的贝叶斯非齐次隐马尔可夫模型：癫痫发作风险周期的驱动因素
- 研究问题
- 如何从零膨胀的个体癫痫发作计数中推断潜在风险状态序列，并识别与风险变化相关的临床协变量？
- 方法与思路
- 作者采用贝叶斯非齐次隐马尔可夫模型进行无监督聚类，引入变量选择先验，并通过随机搜索和数据增广构造采样算法。
- 材料陈述的贡献
- 摘要称，模型支持细粒度数据与个体风险状态的概率估计；模拟及一百三十三名患者的每日记录展示风险周期和临床关联。
- 阅读关注点
- 应核对零膨胀观测模型、状态数及转移机制、变量选择先验、采样诊断，以及患者自报数据误差和样本外验证方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供预测指标或因果设计，协变量入选和药物关联不等于因果效应。
原文摘要
A major issue in the clinical management of epilepsy is the unpredictability of seizures. Yet, traditional approaches to seizure forecasting and risk assessment in epilepsy rely heavily on raw seizure frequencies, which are a stochastic measurement of seizure risk. We consider a Bayesian non-homogeneous hidden Markov model for unsupervised clustering of zero-inflated seizure count data. The proposed model allows for a probabilistic estimate of the sequence of seizure risk states at the individual level. It also offers significant improvement over prior approaches by incorporating a variable selection prior for the identification of clinical covariates that drive seizure risk changes and accommodating highly granular data. For inference, we implement an efficient sampler that employs stochastic search and data augmentation techniques. We evaluate model performance on simulated seizure count data. We then demonstrate the clinical utility of the proposed model by analyzing daily seizure count data from 133 patients with Dravet syndrome collected through the Seizure Tracker TM system, a patient-reported electronic seizure diary. We report on the dynamics of seizure risk cycling, including validation of several known pharmacologic relationships. We also uncover novel findings characterizing the presence and volatility of risk states in Dravet syndrome, which may directly inform counseling to reduce the unpredictability of seizures for patients with this devastating cause of epilepsy.