論文の概要: Computable Phenotypes of Patient Acuity in the Intensive Care Unit

• arxiv url: http://arxiv.org/abs/2005.05163v2
• Date: Wed, 1 Nov 2023 18:24:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 18:55:48.041544
• Title: Computable Phenotypes of Patient Acuity in the Intensive Care Unit
• Title（参考訳）: 集中治療室における患者視力の計算可能な表現型
• Authors: Yuanfang Ren (1)(2), Jeremy Balch (3), Kenneth L. Abbott (3), Tyler J. Loftus (1)(3), Benjamin Shickel (1)(2), Parisa Rashidi (1)(4), Azra Bihorac (1)(2), and Tezcan Ozrazgat-Baslanti (1)(2) ((1) Intelligent Clinical Care Center (IC3), University of Florida, Gainesville, FL, USA, (2) Department of Medicine, College of Medicine, University of Florida, Gainesville, FL, USA, (3) Department of Surgery, College of Medicine, University of Florida, Gainesville, FL, USA, (4) J. Crayton Pruitt Family Department of Biomedical Engineering, University of Florida, Gainesville, FL)
• Abstract要約: 本研究の目的は,電子カルテ内における自動変量検索を用いたアクティの電子表現型を開発することである。 フロリダ大学に入院した成人ICU患者51,372名を対象に, 単心縦型電子健康記録データセットを2つ収集した。
• 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: Continuous monitoring and patient acuity assessments are key aspects of Intensive Care Unit (ICU) practice, but both are limited by time constraints imposed on healthcare providers. Moreover, anticipating clinical trajectories remains imprecise. The objectives of this study are to (1) develop an electronic phenotype of acuity using automated variable retrieval within the electronic health records and (2) describe transitions between acuity states that illustrate the clinical trajectories of ICU patients. We gathered two single-center, longitudinal electronic health record datasets for 51,372 adult ICU patients admitted to the University of Florida Health (UFH) Gainesville (GNV) and Jacksonville (JAX). We developed algorithms to quantify acuity status at four-hour intervals for each ICU admission and identify acuity phenotypes using continuous acuity status and k-means clustering approach. 51,073 admissions for 38,749 patients in the UFH GNV dataset and 22,219 admissions for 12,623 patients in the UFH JAX dataset had at least one ICU stay lasting more than four hours. There were three phenotypes: persistently stable, persistently unstable, and transitioning from unstable to stable. For stable patients, approximately 0.7%-1.7% would transition to unstable, 0.02%-0.1% would expire, 1.2%-3.4% would be discharged, and the remaining 96%-97% would remain stable in the ICU every four hours. For unstable patients, approximately 6%-10% would transition to stable, 0.4%-0.5% would expire, and the remaining 89%-93% would remain unstable in the ICU in the next four hours. We developed phenotyping algorithms for 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 escalation of care and patient values.
• Abstract（参考訳）: 継続的なモニタリングと患者の明度評価は集中医療ユニット(ICU)の実践の重要な側面であるが、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。 さらに、臨床軌道の予測は不正確である。 本研究の目的は,(1)電子健康記録における自動変数検索を用いた視力の電子表現型を開発し,(2)icu患者の臨床経過を示す視力状態間の遷移を記述することである。 フロリダ大学ゲインズビル (GNV) とジャクソンビル (JAX) に入院した成人ICU患者51,372名を対象に, 単心縦断的電子健康記録データセットを収集した。 我々は, icu入場毎に4時間間隔で acuity status を定量化し, 連続 acuity status と k-means clustering 法を用いて acuity phenotype を同定するアルゴリズムを開発した。 UFH GNVデータセットで38,749人、UFH JAXデータセットで12,623人、22,219人、ICUの滞在時間が4時間以上であった。 3つの表現型があり、永続的安定、永続的不安定、不安定から安定への移行である。 安定した患者では、約0.7%-1.7%が不安定に移行し、0.02%-0.1%が失効し、1.2%-3.4%が退院し、残りの96%-97%が4時間ごとにICUで安定している。 不安定な患者では、約6%-10%が安定状態に移行し、0.4%-0.5%が失効し、残りの89%-93%が次の4時間で不安定状態に留まった。 icuに入院した4時間毎に, 患者の視力状態の表現型付け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、ケアと患者価値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。