論文の概要: Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan
- arxiv url: http://arxiv.org/abs/2005.03405v1
- Date: Thu, 7 May 2020 12:16:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 23:05:51.194697
- Title: Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan
- Title（参考訳）: 胸部CTスキャンによる重篤な症状を呈するCOVID-19の同時予測と時間推定
- Authors: Xiaofeng Zhu, Bin Song, Feng Shi, Yanbo Chen, Rongyao Hu, Jiangzhang
Gan, Wenhai Zhang, Man Li, Liye Wang, Yaozong Gao, Fei Shan, Dinggang Shen
- Abstract要約: 術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
- 参考スコア（独自算出の注目度）: 49.209225484926634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapidly worldwide spread of Coronavirus disease (COVID-19), it is of
great importance to conduct early diagnosis of COVID-19 and predict the time
that patients might convert to the severe stage, for designing effective
treatment plan and reducing the clinicians' workloads. In this study, we
propose a joint classification and regression method to determine whether the
patient would develop severe symptoms in the later time, and if yes, predict
the possible conversion time that the patient would spend to convert to the
severe stage. To do this, the proposed method takes into account 1) the weight
for each sample to reduce the outliers' influence and explore the problem of
imbalance classification, and 2) the weight for each feature via a sparsity
regularization term to remove the redundant features of high-dimensional data
and learn the shared information across the classification task and the
regression task. To our knowledge, this study is the first work to predict the
disease progression and the conversion time, which could help clinicians to
deal with the potential severe cases in time or even save the patients' lives.
Experimental analysis was conducted on a real data set from two hospitals with
422 chest computed tomography (CT) scans, where 52 cases were converted to
severe on average 5.64 days and 34 cases were severe at admission. Results show
that our method achieves the best classification (e.g., 85.91% of accuracy) and
regression (e.g., 0.462 of the correlation coefficient) performance, compared
to all comparison methods. Moreover, our proposed method yields 76.97% of
accuracy for predicting the severe cases, 0.524 of the correlation coefficient,
and 0.55 days difference for the converted time.
- Abstract（参考訳）: 新型コロナウイルスの世界的な拡大(covid-19)に伴い、早期診断を行い、効果的な治療計画の設計や臨床医の負担軽減など、患者が重篤な段階へ転換する時期を予測することが極めて重要である。
本研究は,患者が重篤な症状を発症するかどうかを判断するための共同分類と回帰法を提案し,もしそうであれば,患者が重篤な段階への転換に費やすであろう転換時間を予測する。
これを実現するために提案する手法は
1)各試料の重量は,外れ値の影響を減少させ,不均衡分類の問題を探究する。
2)高次元データの冗長な特徴を取り除き,分類タスクと回帰タスク間で共有情報を学習するために,空間規則化項による各特徴量の重み付けを行う。
我々の知る限り、この研究は病気の進行と変換時間を予測する最初の研究であり、臨床医が重篤な患者を治療したり、患者の命を救ったりするのに役立ちます。
422胸部ct(ct)スキャンを施行した2施設の実例について, 平均5.64日で52例, 入院時に34例の重症化を認めた。
その結果,すべての比較法と比較して,最良分類(精度85.91%)と回帰性能(相関係数0.462)を達成した。
さらに, 本手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
関連論文リスト
- A Kalman Filter Based Framework for Monitoring the Performance of
In-Hospital Mortality Prediction Models Over Time [3.5508427067904864]
サンプルの総数と、異なる期間における正のサンプル数に応じて、外挿分散を調整したカルマンフィルタに基づくフレームワークを提案する。
この予測モデルは, 疾患の進展, 治療改善, 手術計画の変更などの影響を受けない。
論文 参考訳（メタデータ） (2024-02-09T22:27:29Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - Continual Deterioration Prediction for Hospitalized COVID-19 Patients [3.3581926090154113]
病院滞在終了時の患者結果の日次予測を行うための時間的階層化手法を開発した。
予備実験では、連続劣化予測における0.98 AUROC、0.91 F1スコアおよび0.97AUPRを示す。
論文 参考訳（メタデータ） (2021-01-19T12:03:56Z) - COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文 参考訳（メタデータ） (2021-01-13T07:03:17Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z) - Survival Analysis Using a 5-Step Stratified Testing and Amalgamation
Routine in Randomized Clinical Trials [0.0]
患者の不均一性の増加は、治療の違いを検出する共通の統計的アプローチの能力を弱める可能性がある。
どちらの治療でも生存を予測できない可能性を持つ塩基性共変体のリストは、事前に特定されている。
条件推論木アルゴリズムを用いて、異種臨床試験集団を予後同種患者のサブ集団に分割する。
提案した5段階の階層化テストとアマルガメーションルーチン(5-STAR)の高消費電力化性能について述べる。
論文 参考訳（メタデータ） (2020-04-28T15:44:41Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。