論文の概要: Development of Computable Phenotype to Identify and Characterize
Transitions in Acuity Status in Intensive Care Unit
- arxiv url: http://arxiv.org/abs/2005.05163v1
- Date: Mon, 27 Apr 2020 17:36:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 05:04:44.198301
- Title: Development of Computable Phenotype to Identify and Characterize
Transitions in Acuity Status in Intensive Care Unit
- Title（参考訳）: 集中治療室における視力状態の変化を識別・特徴付ける計算可能な表現型の開発
- Authors: Yuanfeng Ren (1)(4), Tyler J. Loftus (2)(4), Rahul Sai Kasula (1)(4),
Prudhvee Narasimha Sadha (1)(4), Parisa Rashidi (3)(4), Azra Bihorac (1)(4),
and Tezcan Ozrazgat-Baslanti (1)(4) ((1) Department of Medicine, College of
Medicine, University of Florida, Gainesville, FL, USA, (2) Department of
Surgery, College of Medicine, University of Florida, Gainesville, FL, USA,
(3) Crayton Pruitt Family Department of Biomedical Engineering, University of
Florida, Gainesville, FL, (4) Precision and Intelligent Systems in Medicine
(PrismaP), University of Florida, Gainesville, FL, USA)
- Abstract要約: アメリカでは毎年570万人の患者が集中治療室(ICU)に入院している。
ICUケアの重要な側面は、患者の明度を綿密にモニタリングし、動的に評価することである。
ICUに入院した成人38,749人を対象に,電子カルテデータを用いたデータベースを構築した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: In the United States, 5.7 million patients are admitted annually
to intensive care units (ICU), with costs exceeding $82 billion. Although close
monitoring and dynamic assessment of patient acuity are key aspects of ICU
care, both are limited by the time constraints imposed on healthcare providers.
Methods: Using the University of Florida Health (UFH) Integrated Data
Repository as Honest Broker, we created a database with electronic health
records data from a retrospective study cohort of 38,749 adult patients
admitted to ICU at UF Health between 06/01/2014 and 08/22/2019. This repository
includes demographic information, comorbidities, vital signs, laboratory
values, medications with date and timestamps, and diagnoses and procedure codes
for all index admission encounters as well as encounters within 12 months prior
to index admission and 12 months follow-up. We developed algorithms to identify
acuity status of the patient every four hours during each ICU stay. Results: We
had 383,193 encounters (121,800 unique patients) admitted to the hospital, and
51,073 encounters (38,749 unique patients) with at least one ICU stay that
lasted more than four hours. These patients requiring ICU admission had longer
median hospital stay (7 days vs. 1 day) and higher in-hospital mortality (9.6%
vs. 0.4%) compared with those not admitted to the ICU. Among patients who were
admitted to the ICU and expired during hospital admission, more deaths occurred
in the ICU than on general hospital wards (7.4% vs. 0.8%, respectively).
Conclusions: We developed phenotyping algorithms that determined patient acuity
status every four hours while admitted to the ICU. This approach may be useful
in developing prognostic and clinical decision-support tools to aid patients,
caregivers, and providers in shared decision-making processes regarding
resource use and escalation of care.
- Abstract（参考訳）: 背景: 米国では、毎年570万人の患者が集中治療室(ICU)に入院しており、費用は820億ドルを超える。
icuケアの重要な側面は、患者の視力の密接な監視と動的評価であるが、どちらも医療提供者に課される時間制限によって制限されている。
方法: フロリダ健康大学(UFH)統合データリポジトリをHonest Brokerとして使用し, UF HealthでICUを受けた成人38,749人を対象に, 06/01/2014～08/22/2019間の電子健康記録データを用いたデータベースを作成した。
本リポジトリは、人口統計情報、コンモビディティー、バイタルサイン、検査値、日付及びタイムスタンプ付き薬剤、すべてのインデックス入会者に対する診断および手続きコード、インデックス入会から12ヶ月以内に遭遇し、12ヶ月のフォローアップを含む。
ICU滞在中, 4時間毎に患者の体力状態を特定するアルゴリズムを開発した。
結果: 入院患者は383,193人(121,800人)、入院患者は51,073人(38,749人)で, 少なくとも1回のICU滞在期間は4時間以上であった。
icu入院を要した患者は入院期間の中央値(7日対1日)が長く、病院内死亡率(9.6%対0.4%)がicuに入院していない患者より高かった。
ICUに入院し、入院中に期限切れになった患者のうち、ICUでは一般病院の病棟(それぞれ7.4%対0.8%)よりも多くの死亡があった。
結論: ICU入院中, 4時間毎に患者の容積状態を決定する表現型アルゴリズムを開発した。
このアプローチは、患者、介護者、提供者を支援するための予後および臨床的意思決定支援ツールの開発に有用であり、リソース使用やケアのエスカレーションに関する共有意思決定プロセスにおいて有用である。
関連論文リスト
- Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - A multi-cohort study on prediction of acute brain dysfunction states
using selective state space models [12.0129301272171]
急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。
本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。
既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。
ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
論文 参考訳（メタデータ） (2024-03-11T22:58:11Z) - APRICOT-Mamba: Acuity Prediction in Intensive Care Unit (ICU):
Development and Validation of a Stability, Transitions, and Life-Sustaining
Therapies Prediction Model [12.370938858314911]
集中治療室(ICU)の患者の体力状態は、すぐに安定して不安定になる。
早期の劣化状態の検出は、タイムリーな介入と生存率の改善をもたらす可能性がある。
Intensive Care Unit-MambaにおけるAPRICOT-M(Acuity Prediction in Intensive Care Unit-Mamba)を提案する。
論文 参考訳（メタデータ） (2023-11-03T16:52:27Z) - Computable Phenotypes to Characterize Changing Patient Brain Dysfunction
in the Intensive Care Unit [0.0]
米国では、毎年500万人以上の患者がICUに入院しており、ICUの死亡率は10%-29%、費用は820億ドルである。
本研究の目的は、急性脳機能障害状態に対する自動計算可能な表現型を開発することである。
論文 参考訳（メタデータ） (2023-03-09T18:55:19Z) - Clinical Courses of Acute Kidney Injury in Hospitalized Patients: A
Multistate Analysis [2.4013793000097103]
多状態モデルを用いて経時的急性腎損傷(AKI)の軌跡を定量化する。
ステージ1のAKI後7日で69%がNOAKIと診断され退院した。
重症度が高い患者は非AKIや退院状態に移行する割合が低かった。
論文 参考訳（メタデータ） (2023-03-08T19:06:39Z) - Mining the contribution of intensive care clinical course to outcome
after traumatic brain injury [1.4887102120051716]
医療記録に格納された全異種データ(ICUおよびICU変数1,166)を統合する。
我々は、すべての変数のトークン埋め込み時系列表現をマップするために、繰り返しニューラルネットワークモデルを訓練する。
最も貢献度の高い変数には、医師ベースの予後、CTの特徴、神経機能マーカーなどがある。
論文 参考訳（メタデータ） (2023-03-08T14:48:30Z) - COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文 参考訳（メタデータ） (2021-09-14T14:16:32Z) - Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical
Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。
データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。
マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-04-14T11:58:54Z) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳（メタデータ） (2020-06-15T21:01:33Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
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。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - 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)
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。