論文の概要: Clinical Predictive Models for COVID-19: Systematic Study
- arxiv url: http://arxiv.org/abs/2005.08302v2
- Date: Sun, 29 Nov 2020 20:21:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 05:17:53.336316
- Title: Clinical Predictive Models for COVID-19: Systematic Study
- Title（参考訳）: 新型コロナウイルスの臨床予測モデル : 系統的研究
- Authors: Patrick Schwab, August DuMont Sch\"utte, Benedikt Dietz, Stefan Bauer
- Abstract要約: コロナウイルス病2019(COVID-19)は、重症急性呼吸器症候群ウイルス2(SARS-CoV-2)による急激な呼吸器疾患である。
SARS-CoV-2の迅速な人対人感染のため、多くの医療システムは医療能力を超えるリスクがある。
予測アルゴリズムは、正のSARS-CoV-2テストを受ける可能性が最も高い人を入院またはICUに入院または入院させることで、この歪みを緩和する可能性がある。
- 参考スコア（独自算出の注目度）: 23.62256555920893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronavirus Disease 2019 (COVID-19) is a rapidly emerging respiratory disease
caused by the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). Due
to the rapid human-to-human transmission of SARS-CoV-2, many healthcare systems
are at risk of exceeding their healthcare capacities, in particular in terms of
SARS-CoV-2 tests, hospital and intensive care unit (ICU) beds and mechanical
ventilators. Predictive algorithms could potentially ease the strain on
healthcare systems by identifying those who are most likely to receive a
positive SARS-CoV-2 test, be hospitalised or admitted to the ICU. Here, we
study clinical predictive models that estimate, using machine learning and
based on routinely collected clinical data, which patients are likely to
receive a positive SARS-CoV-2 test, require hospitalisation or intensive care.
To evaluate the predictive performance of our models, we perform a
retrospective evaluation on clinical and blood analysis data from a cohort of
5644 patients. Our experimental results indicate that our predictive models
identify (i) patients that test positive for SARS-CoV-2 a priori at a
sensitivity of 75% (95% CI: 67%, 81%) and a specificity of 49% (95% CI: 46%,
51%), (ii) SARS-CoV-2 positive patients that require hospitalisation with 0.92
AUC (95% CI: 0.81, 0.98), and (iii) SARS-CoV-2 positive patients that require
critical care with 0.98 AUC (95% CI: 0.95, 1.00). In addition, we determine
which clinical features are predictive to what degree for each of the
aforementioned clinical tasks. Our results indicate that predictive models
trained on routinely collected clinical data could be used to predict clinical
pathways for COVID-19, and therefore help inform care and prioritise resources.
- Abstract（参考訳）: コロナウイルス病2019(Coronavirus Disease 2019、COVID-19)は、重症急性呼吸器症候群ウイルス2(SARS-CoV-2)による急激な呼吸器疾患である。
SARS-CoV-2の迅速な人対人感染により、多くの医療システムは、特にSARS-CoV-2テスト、病院と集中治療室(ICU)ベッドと機械式換気器の点で、医療能力を超えるリスクを抱えている。
予測アルゴリズムは、正のSARS-CoV-2テストを受ける可能性が最も高い患者をICUに入院または入院させることで、医療システムの緊張を緩和する可能性がある。
そこで本研究では,SARS-CoV-2陽性の患者が入院や集中治療を要しうる臨床データに基づいて,機械学習を用いた臨床予測モデルについて検討した。
本モデルの予測性能を評価するため,5644名のコホート患者を対象に,臨床および血液分析データの振り返り評価を行った。
実験結果から,我々の予測モデルが同定できることが示唆された。
(i)SARS-CoV-2に陽性で75%(95%CI:67%,81%)、特異性は49%(95%CI:46%,51%)であった。
(ii)SARS-CoV-2陽性患者は0.92 AUC(95% CI: 0.81, 0.98)、
(iii) sars-cov-2陽性患者は0.98 auc (95% ci: 0.95, 1.00)であった。
さらに, 上記の各臨床課題について, どの臨床特徴がどの程度に予測可能かを決定する。
以上の結果から,日常的に収集された臨床データに基づく予測モデルは,covid-19の臨床経路予測に有用であることが示唆された。
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) - At-Admission Prediction of Mortality and Pulmonary Embolism in COVID-19
Patients Using Statistical and Machine Learning Methods: An International
Cohort Study [0.0]
新型コロナウイルス患者の肺塞栓症予測ツールの開発は極めて重要である。
本稿では,PEの発生と入場時の死亡を予測する機械学習モデルを提案する。
論文 参考訳（メタデータ） (2023-05-18T14:55:27Z) - A Generalizable Artificial Intelligence Model for COVID-19
Classification Task Using Chest X-ray Radiographs: Evaluated Over Four
Clinical Datasets with 15,097 Patients [6.209420804714487]
トレーニングされたモデルの一般化性は、4つの異なる実世界の臨床データセットを用いて遡及的に評価された。
単一ソースの臨床データセットを使用してトレーニングされたAIモデルは、内部時間テストセットに適用すると、AUCが0.82に達した。
医療画像・データ資源センターが収集した多施設のCOVID-19データセットに適用すると、AUCは0.79に達した。
論文 参考訳（メタデータ） (2022-10-04T04:12:13Z) - 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) - COVID-Net CXR-S: Deep Convolutional Neural Network for Severity
Assessment of COVID-19 Cases from Chest X-ray Images [74.77272804752306]
胸部CXR画像に基づくSARS-CoV-2陽性患者の空間重症度を予測する畳み込みニューラルネットワークであるCOVID-Net CXR-Sについて紹介する。
患者15,000人以上の多国籍コホートから得られた16,000以上のCXR画像から得られた表現的知識を,重症度評価のためのカスタムネットワークアーキテクチャへ伝達する。
提案したCXR-Sは、新型コロナウイルス陽性患者のCXR画像のコンピュータ支援による重症度評価のための強力なツールとなる可能性がある。
論文 参考訳（メタデータ） (2021-05-01T14:15:12Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z) - Predicting Patient COVID-19 Disease Severity by means of Statistical and
Machine Learning Analysis of Blood Cell Transcriptome Data [3.5699804146136676]
患者末梢血のデータを用いて臨床結果を予測する方法について検討した。
本研究は, 健常人と陽性患者とを鑑別し, 血液検査で測定可能な臨床パラメータをいくつか明らかにした。
そこで我々は,90%以上の重症度と死亡率予測の精度と精度を示す分析手法を多数開発した。
論文 参考訳（メタデータ） (2020-11-19T10:32:46Z) - Real-time Prediction of COVID-19 related Mortality using Electronic
Health Records [30.892335739985526]
新型コロナウイルス早期警戒システム(CovEWS)は、新型コロナウイルス関連死亡リスクを評価する臨床リスクスコアシステムである。
CovEWSは、臨床的に有意な予測パフォーマンスを持つ個々の患者に対して、前もって192時間(8日)まで、継続的なリアルタイムリスクスコアを提供する。
論文 参考訳（メタデータ） (2020-08-31T08:07:27Z) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - 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) - COVID-Net S: Towards computer-aided severity assessment via training and
validation of deep neural networks for geographic extent and opacity extent
scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。
本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文 参考訳（メタデータ） (2020-05-26T16:33:52Z)
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。