論文の概要: Precisely Predicting Acute Kidney Injury with Convolutional Neural
Network Based on Electronic Health Record Data
- arxiv url: http://arxiv.org/abs/2005.13171v1
- Date: Wed, 27 May 2020 05:39:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 08:11:20.532383
- Title: Precisely Predicting Acute Kidney Injury with Convolutional Neural
Network Based on Electronic Health Record Data
- Title（参考訳）: 電子健康記録に基づく畳み込みニューラルネットワークによる急性腎障害の高精度予測
- Authors: Yu Wang, JunPeng Bao, JianQiang Du, YongFeng Li
- Abstract要約: 急性腎臓損傷(AKI)は、ICU(Intensive Care Unit)患者、特に成人患者でよく起こる。
我々の研究はAKI予測精度を大幅に改善し、最高のAUROCはMIMIC-IIIデータセットで0.988、eICUデータセットで0.936となる。
- 参考スコア（独自算出の注目度）: 2.6127142674140234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The incidence of Acute Kidney Injury (AKI) commonly happens in the Intensive
Care Unit (ICU) patients, especially in the adults, which is an independent
risk factor affecting short-term and long-term mortality. Though researchers in
recent years highlight the early prediction of AKI, the performance of existing
models are not precise enough. The objective of this research is to precisely
predict AKI by means of Convolutional Neural Network on Electronic Health
Record (EHR) data. The data sets used in this research are two public
Electronic Health Record (EHR) databases: MIMIC-III and eICU database. In this
study, we take several Convolutional Neural Network models to train and test
our AKI predictor, which can precisely predict whether a certain patient will
suffer from AKI after admission in ICU according to the last measurements of
the 16 blood gas and demographic features. The research is based on Kidney
Disease Improving Global Outcomes (KDIGO) criteria for AKI definition. Our work
greatly improves the AKI prediction precision, and the best AUROC is up to
0.988 on MIMIC-III data set and 0.936 on eICU data set, both of which
outperform the state-of-art predictors. And the dimension of the input vector
used in this predictor is much fewer than that used in other existing
researches. Compared with the existing AKI predictors, the predictor in this
work greatly improves the precision of early prediction of AKI by using the
Convolutional Neural Network architecture and a more concise input vector.
Early and precise prediction of AKI will bring much benefit to the decision of
treatment, so it is believed that our work is a very helpful clinical
application.
- Abstract（参考訳）: 急性腎障害(aki)の発症は、集中治療室(icu)患者、特に成人において一般的に起こり、これは短期および長期の死亡に影響する独立した危険因子である。
近年の研究者はAKIの早期予測を強調しているが、既存のモデルの性能は十分ではない。
本研究の目的は,電子健康記録(ehr)データを用いた畳み込みニューラルネットワークによるアキを正確に予測することである。
この研究で使用されるデータセットは、MIMIC-IIIとeICUデータベースの2つのパブリック電子健康記録(EHR)データベースである。
本研究では, コンボリューションニューラルネットワークモデルを用いてAKI予測器のトレーニングと試験を行い, 16個の血液ガスおよび人口統計学的特徴から, ICUの入院後, 特定の患者がAKIに罹患するかどうかを正確に予測する。
この研究は、AKI定義のKidney Disease Improving Global Outcomes(KDIGO)基準に基づいている。
我々の研究はAKI予測精度を大幅に向上させ、最高のAUROCはMIMIC-IIIデータセットで0.988、eICUデータセットで0.936であり、どちらも最先端の予測器より優れている。
そして、この予測器で使われる入力ベクトルの次元は他の既存の研究よりもはるかに少ない。
既存のAKI予測器と比較して、この研究の予測器は畳み込みニューラルネットワークアーキテクチャとより簡潔な入力ベクトルを用いて、AKIの早期予測の精度を大幅に向上する。
アキの早期かつ正確な予測は治療の決定に大きな利益をもたらすため、我々の研究は非常に有用な臨床応用であると考えられている。
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) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - A Machine Learning Model for Predicting, Diagnosing, and Mitigating
Health Disparities in Hospital Readmission [0.0]
本稿では,データ中のバイアスの検出と緩和とモデル予測が可能な機械学習パイプラインを提案する。
提案手法の有効性を,精度と公正度の測定値を用いて評価した。
論文 参考訳（メタデータ） (2022-06-13T16:07:25Z) - Improvement of a Prediction Model for Heart Failure Survival through
Explainable Artificial Intelligence [0.0]
本研究は、心不全生存予測モデルの説明可能性分析と評価について述べる。
このモデルでは、最高のアンサンブルツリーアルゴリズムを選択できるデータワークフローパイプラインと、最高の機能選択テクニックが採用されている。
本論文の主な貢献は、精度-説明可能性バランスに基づいて、HF生存率の最良の予測モデルを選択するための説明可能性駆動型アプローチである。
論文 参考訳（メタデータ） (2021-08-20T09:03:26Z) - An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。
総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
論文 参考訳（メタデータ） (2021-08-17T05:49:43Z) - Deep Learning with Heterogeneous Graph Embeddings for Mortality
Prediction from Electronic Health Records [2.2859570135269625]
我々は、電子健康記録データ上に不均一グラフモデル(HGM)をトレーニングし、結果の埋め込みベクトルをコナールニューラルネットワーク(CNN)モデルに追加情報として使用して、院内死亡率を予測する。
CNNモデルにHGMを追加すると、死亡予測精度が最大4%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-28T02:27:09Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。