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
- A Knowledge Distillation Approach for Sepsis Outcome Prediction from
Multivariate Clinical Time Series [2.621671379723151]
我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。
我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
論文 参考訳(メタデータ) (2023-11-16T05:06:51Z) - 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) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Multitask Deep Learning for Accurate Risk Stratification and Prediction
of Next Steps for Coronary CT Angiography Patients [26.50934421749854]
リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。
提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
論文 参考訳(メタデータ) (2023-09-01T08:34:13Z) - 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) - A New Approach for Interpretability and Reliability in Clinical Risk
Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。
提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。
個人予測の信頼性推定は誤分類率と大きな相関を示した。
論文 参考訳(メタデータ) (2021-10-15T19:33:46Z) - 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) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - 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。