論文の概要: Gradient Boosting on Decision Trees for Mortality Prediction in Transcatheter Aortic Valve Implantation

• arxiv url: http://arxiv.org/abs/2001.02431v1
• Date: Wed, 8 Jan 2020 10:04:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 10:01:21.292722
• Title: Gradient Boosting on Decision Trees for Mortality Prediction in Transcatheter Aortic Valve Implantation
• Title（参考訳）: 経カテーテル的大動脈弁移植術における予後予測のための決定木上の勾配増強
• Authors: Marco Mamprin, Jo M. Zelis, Pim A.L. Tonino, Svitlana Zinger, Peter H.N. de With
• Abstract要約: 心臓外科における現在の予後リスクスコアは統計に基づいており、まだ機械学習の恩恵を受けていない。 本研究は,TAVI後の患者の1年間の死亡率を予測する機械学習モデルの構築を目的とする。
• 参考スコア（独自算出の注目度）: 5.050648346154715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current prognostic risk scores in cardiac surgery are based on statistics and do not yet benefit from machine learning. Statistical predictors are not robust enough to correctly identify patients who would benefit from Transcatheter Aortic Valve Implantation (TAVI). This research aims to create a machine learning model to predict one-year mortality of a patient after TAVI. We adopt a modern gradient boosting on decision trees algorithm, specifically designed for categorical features. In combination with a recent technique for model interpretations, we developed a feature analysis and selection stage, enabling to identify the most important features for the prediction. We base our prediction model on the most relevant features, after interpreting and discussing the feature analysis results with clinical experts. We validated our model on 270 TAVI cases, reaching an AUC of 0.83. Our approach outperforms several widespread prognostic risk scores, such as logistic EuroSCORE II, the STS risk score and the TAVI2-score, which are broadly adopted by cardiologists worldwide.
• Abstract（参考訳）: 心臓手術における現在の予後リスクスコアは統計に基づいており、まだ機械学習の恩恵を受けていない。 統計予測器は、TAVI(Transcatheter Aortic Valve implantation)の恩恵を受ける患者を正しく識別するほど堅牢ではない。 本研究は,TAVI後の患者の1年間の死亡率を予測する機械学習モデルの構築を目的とする。 我々は,カテゴリー的特徴に特化して設計された決定木アルゴリズムを現代的勾配強調に適用する。 モデル解釈の最近の手法と組み合わせて特徴分析と選択の段階を構築し,予測の最も重要な特徴を同定した。 我々は, 臨床専門家と特徴分析の結果を解釈し, 議論した後, 予測モデルを最も適切な特徴に基づける。 TAVIは270例, AUCは0.83例であった。 本手法は,ロジスティックなEuroSCORE II,STSリスクスコア,TAVI2スコアなど,世界中の心臓科医に広く採用されている多くの予後リスクスコアより優れている。

関連論文リスト

• Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment [0.0]
  本稿では,臨床データを用いた心疾患のリスク予測における機械学習モデルの役割,関連性,効率性を理解し,評価し,分析する。 Support Vector Machine (SVM) は91.51%の精度を示し、予測能力の観点から評価されたモデル間にその優位性を確認している。
  論文  参考訳（メタデータ） (2024-10-16T22:32:19Z)
• Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
  外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。 TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。 我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-08-02T09:44:18Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Advanced Meta-Ensemble Machine Learning Models for Early and Accurate Sepsis Prediction to Improve Patient Outcomes [0.0]
  本報告では, 全身性炎症性反応症候群, 早期警戒スコア, クイックシークエンシャル臓器不全評価など, 従来の敗血症スクリーニングツールの限界について検討する。 本稿では,機械学習技術 - ランダムフォレスト, エクストリームグラディエントブースティング, 決定木モデル - を用いて, セプシスの発症を予測することを提案する。 本研究は,これらのモデルについて,精度,精度,リコール,F1スコア,受信器動作特性曲線の下での領域といった重要な指標を用いて,個別かつ組み合わせたメタアンサンブルアプローチで評価する。
  論文  参考訳（メタデータ） (2024-07-11T00:51:32Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Improvement of a Prediction Model for Heart Failure Survival through Explainable Artificial Intelligence [0.0]
  本研究は、心不全生存予測モデルの説明可能性分析と評価について述べる。 このモデルでは、最高のアンサンブルツリーアルゴリズムを選択できるデータワークフローパイプラインと、最高の機能選択テクニックが採用されている。 本論文の主な貢献は、精度-説明可能性バランスに基づいて、HF生存率の最良の予測モデルを選択するための説明可能性駆動型アプローチである。
  論文  参考訳（メタデータ） (2021-08-20T09:03:26Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。