Fugu-MT 論文翻訳(概要): Do not forget interaction: Predicting fatality of COVID-19 patients using logistic regression

論文の概要: Do not forget interaction: Predicting fatality of COVID-19 patients using logistic regression

arxiv url: http://arxiv.org/abs/2006.16942v1
Date: Tue, 30 Jun 2020 16:28:41 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 06:24:00.263546
Title: Do not forget interaction: Predicting fatality of COVID-19 patients using logistic regression
Title（参考訳）: 対話を忘れるな:ロジスティック回帰を用いた新型コロナウイルス患者の死亡予測
Authors: Feng Zhou, Tao Chen, and Baiying Lei
Abstract要約: 我々は、新型コロナウイルス患者の死亡率を予測するために、ロジスティック回帰に基づく説明可能な、直感的で正確な機械学習モデルを報告した。その結果,ロジスティック回帰モデルによる死亡確率が0.8以上であった場合,最大34.91日で平均11.30日以上の死亡率を予測できた。新型コロナウイルスのリスクが高い患者を3人のバイオマーカーで識別し、世界中の医療機関がこのパンデミックの中で重要な医療資源を計画するのに役立つ。
参考スコア（独自算出の注目度）: 20.591050444038714
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Amid the ongoing COVID-19 pandemic, whether COVID-19 patients with high risks can be recovered or not depends, to a large extent, on how early they will be treated appropriately before irreversible consequences are caused to the patients by the virus. In this research, we reported an explainable, intuitive, and accurate machine learning model based on logistic regression to predict the fatality rate of COVID-19 patients using only three important blood biomarkers, including lactic dehydrogenase, lymphocyte (%) and high-sensitivity C-reactive protein, and their interactions. We found that when the fatality probability produced by the logistic regression model was over 0.8, the model had the optimal performance in that it was able to predict patient fatalities more than 11.30 days on average with maximally 34.91 days in advance, an accumulative f1-score of 93.76% and and an accumulative accuracy score of 93.92%. Such a model can be used to identify COVID-19 patients with high risks with three blood biomarkers and help the medical systems around the world plan critical medical resources amid this pandemic.
Abstract（参考訳）: 新型コロナウイルス(covid-19)のパンデミックの中で、リスクの高い患者が回復できるかどうかは、ウイルスが患者に不可逆的な結果をもたらす前に、どの程度早期に適切な治療を受けるかに大きく依存する。本研究では, 乳酸脱水素酵素, リンパ球 (%) および高感度c反応性蛋白(c-reactive protein) の3つの重要な血液バイオマーカーのみを用いて, 新型コロナウイルス患者の死亡率を予測するためのロジスティック回帰に基づく, 説明可能, 直感的, 正確な機械学習モデルとそれらの相互作用を報告した。その結果,ロジスティック回帰モデルが生成する死亡確率が0.8以上であった場合,平均11.30日以上,最大34.91日前,累積f1-score93.76%,累積精度スコア93.92%であった。このようなモデルは、3つの血液バイオマーカーでリスクの高い新型コロナウイルス患者を識別し、世界中の医療システムがこのパンデミックの中で重要な医療資源を計画するのに役立つ。

関連論文リスト

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)
Detection of Risk Predictors of COVID-19 Mortality with Classifier Machine Learning Models Operated with Routine Laboratory Biomarkers [0.0]
研究データセットは、2021年8月から12月にかけて、2597人の患者(n = 233)が死亡し、COVID-19から回復した(n = 2364)38人の血液値からなる。プロカルシトニンと最も効率的な二成分結合は、D-二量体、ESR、D.Bil、フェリチンで得られた。単一の特徴を持つHGBモデルでは、最も効率的な特徴はプロカルシトニン(F12 = 0.96)とフェリチン(F12 = 0.91)である。
論文参考訳（メタデータ） (2022-10-22T04:06:43Z)
BIO-CXRNET: A Robust Multimodal Stacking Machine Learning Technique for Mortality Risk Prediction of COVID-19 Patients using Chest X-Ray Images and Clinical Data [0.0]
本研究は、イタリアで入院した930人の新型コロナウイルス患者のリスクを予測するために、25のバイオマーカーとCXR画像を用いている。提案手法は精度、感度、F1スコアをそれぞれ89.03%、90.44%、89.03%とした。ノモグラムに基づく採点法では、F1スコア92.88 %の高リスク患者の死亡確率を予測することができた。
論文参考訳（メタデータ） (2022-06-15T15:23:43Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文参考訳（メタデータ） (2021-10-28T10:23:38Z)
Machine learning approach to dynamic risk modeling of mortality in COVID-19: a UK Biobank study [0.0]
新型コロナウイルス(COVID-19)のパンデミックは、高リスク患者の階層化を支援する堅牢でスケーラブルなモニタリングツールを緊急に必要としてきた。本研究は、英国バイオバンクを用いた予測モデルを開発し、検証し、新型コロナウイルスの死亡リスクを推定することを目的とする。
論文参考訳（メタデータ） (2021-04-19T11:51:20Z)
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)
An early warning tool for predicting mortality risk of COVID-19 patients using machine learning [0.0]
2020年1月10日から2月18日にかけて、東寺病院(中国)に入院した375人の新型コロナウイルス陽性患者を対象に、振り返り調査を行った。新型コロナウイルス患者の死亡リスクを予測するため,ノモグラムが開発された。総合スコア(LNLCA)を対応する死亡確率で算出した。
論文参考訳（メタデータ） (2020-07-29T15:16:09Z)
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)
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。