論文の概要: Dynamic Predictions of Postoperative Complications from Explainable,
Uncertainty-Aware, and Multi-Task Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2004.12551v2
- Date: Tue, 17 May 2022 22:41:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 04:38:22.455665
- Title: Dynamic Predictions of Postoperative Complications from Explainable,
Uncertainty-Aware, and Multi-Task Deep Neural Networks
- Title（参考訳）: 説明不能・不確かさ認識・マルチタスクディープニューラルネットワークによる術後合併症の動的予測
- Authors: Benjamin Shickel, Tyler J. Loftus, Matthew Ruppert, Gilbert R.
Upchurch, Tezcan Ozrazgat-Baslanti, Parisa Rashidi, Azra Bihorac
- Abstract要約: マルチタスク深層学習モデルは術後合併症の予測においてランダム森林モデルより優れている。
統合的解釈可能性のメカニズムは それぞれの合併症に対して 潜在的に修飾可能な危険因子を同定した
モンテカルロのドロップアウト法は、臨床信頼を高める可能性がある予測の不確実性の定量的尺度を提供した。
- 参考スコア（独自算出の注目度）: 1.7548541038532495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of postoperative complications can inform shared
decisions regarding prognosis, preoperative risk-reduction, and postoperative
resource use. We hypothesized that multi-task deep learning models would
outperform random forest models in predicting postoperative complications, and
that integrating high-resolution intraoperative physiological time series would
result in more granular and personalized health representations that would
improve prognostication compared to preoperative predictions. In a longitudinal
cohort study of 56,242 patients undergoing 67,481 inpatient surgical procedures
at a university medical center, we compared deep learning models with random
forests for predicting nine common postoperative complications using
preoperative, intraoperative, and perioperative patient data. Our study
indicated several significant results across experimental settings that suggest
the utility of deep learning for capturing more precise representations of
patient health for augmented surgical decision support. Multi-task learning
improved efficiency by reducing computational resources without compromising
predictive performance. Integrated gradients interpretability mechanisms
identified potentially modifiable risk factors for each complication. Monte
Carlo dropout methods provided a quantitative measure of prediction uncertainty
that has the potential to enhance clinical trust. Multi-task learning,
interpretability mechanisms, and uncertainty metrics demonstrated potential to
facilitate effective clinical implementation.
- Abstract（参考訳）: 術後合併症の正確な予測は、予後、術前リスク低減、術後リソース使用に関する共有決定を通知することができる。
マルチタスク深層学習モデルは術後合併症の予測において無作為な森林モデルよりも優れており,高精細な術中生理的時系列を組み込むことで,術前の予測に比べ,より粒状でパーソナライズされた健康表現が得られると仮定した。
大学医療センターで67,481手術を行った56,242例の縦断的コホート調査において, 術前, 術中, 周術期の患者データを用いて, 9例の術後合併症を予測するために, 深層学習モデルとランダム林を比較した。
本研究は, 深層学習が患者の健康状態をより正確に把握し, 総合的外科的意思決定支援に有効であることを示唆した。
マルチタスク学習は、予測性能を損なうことなく、計算資源を削減して効率を向上する。
統合的勾配解釈機構は、複雑度ごとに潜在的に修正可能な危険因子を同定した。
モンテカルロドロップアウト法は、臨床信頼を高める可能性を持つ予測の不確かさの定量的尺度を提供した。
マルチタスク学習、解釈可能性メカニズム、不確実性測定は、効果的な臨床実装を促進する可能性を示した。
関連論文リスト
- 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) - Application of Machine Learning Algorithms in Classifying Postoperative Success in Metabolic Bariatric Surgery: A Comprehensive Study [0.32985979395737786]
本研究は, メタボリック・バリウム手術の文脈において, 患者を分類するための新しい機械学習手法を提案する。
GaussianNB、ComplementNB、KNN、Decision Tree、RandomOverSamplerのKNN、SMOTEのKNNなど、さまざまな機械学習モデルを73人のデータセットに適用した。
論文 参考訳（メタデータ） (2024-03-29T11:27:37Z) - Hypergraph-Transformer (HGT) for Interactive Event Prediction in
Laparoscopic and Robotic Surgery [50.3022015601057]
腹腔内ビデオから外科的ワークフローの重要なインタラクティブな側面を理解し,予測できる予測型ニューラルネットワークを提案する。
我々は,既存の手術用データセットとアプリケーションに対するアプローチを検証し,アクション・トリプレットの検出と予測を行った。
この結果は、非構造的な代替案と比較して、我々のアプローチの優位性を示している。
論文 参考訳（メタデータ） (2024-02-03T00:58:05Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳（メタデータ） (2023-08-24T05:26:56Z) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-06-01T14:08:05Z) - Self-explaining Hierarchical Model for Intraoperative Time Series [6.877686657275981]
本稿では,術中時系列における注意力と反復モデルの両方の強さを組み合わせた階層モデルを提案する。
複数の結果が得られた111,888回の大規模な手術データセットと、外部の高解像度ICUデータセットによる実験により、我々のモデルが強い予測性能を達成できることが示されている。
論文 参考訳（メタデータ） (2022-10-10T03:24:18Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z) - 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)
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。