論文の概要: An artificial intelligence system for predicting the deterioration of
COVID-19 patients in the emergency department
- arxiv url: http://arxiv.org/abs/2008.01774v2
- Date: Wed, 4 Nov 2020 02:36:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 00:07:05.746083
- Title: An artificial intelligence system for predicting the deterioration of
COVID-19 patients in the emergency department
- Title（参考訳）: 救急部門におけるcovid-19患者の劣化予測のための人工知能システム
- Authors: Farah E. Shamout, Yiqiu Shen, Nan Wu, Aakash Kaku, Jungkyu Park, Taro
Makino, Stanis{\l}aw Jastrz\k{e}bski, Jan Witowski, Duo Wang, Ben Zhang,
Siddhant Dogra, Meng Cao, Narges Razavian, David Kudlowitz, Lea Azour,
William Moore, Yvonne W. Lui, Yindalon Aphinyanaphongs, Carlos
Fernandez-Granda, Krzysztof J. Geras
- Abstract要約: 新型コロナウイルス感染症(COVID-19)のパンデミックでは、救急署の患者を迅速かつ正確にトリアージすることが重要である。
胸部X線画像から学習したディープニューラルネットワークを用いて,データ駆動による劣化リスクの自動予測手法を提案する。
我々は3,661人の患者から得られたデータを用いて,96時間以内の劣化を予測した場合に,受信者の動作特性曲線(AUC)が0.786未満の領域を達成した。
- 参考スコア（独自算出の注目度）: 28.050958444802944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During the coronavirus disease 2019 (COVID-19) pandemic, rapid and accurate
triage of patients at the emergency department is critical to inform
decision-making. We propose a data-driven approach for automatic prediction of
deterioration risk using a deep neural network that learns from chest X-ray
images and a gradient boosting model that learns from routine clinical
variables. Our AI prognosis system, trained using data from 3,661 patients,
achieves an area under the receiver operating characteristic curve (AUC) of
0.786 (95% CI: 0.745-0.830) when predicting deterioration within 96 hours. The
deep neural network extracts informative areas of chest X-ray images to assist
clinicians in interpreting the predictions and performs comparably to two
radiologists in a reader study. In order to verify performance in a real
clinical setting, we silently deployed a preliminary version of the deep neural
network at New York University Langone Health during the first wave of the
pandemic, which produced accurate predictions in real-time. In summary, our
findings demonstrate the potential of the proposed system for assisting
front-line physicians in the triage of COVID-19 patients.
- Abstract（参考訳）: 新型コロナウイルス感染症(COVID-19)のパンデミックで、救急署の患者を迅速かつ正確にトリアージすることは意思決定に欠かせない。
本稿では,胸部x線画像から学習するディープニューラルネットワークと,臨床変数から学習する勾配強調モデルを用いて,劣化リスクの自動予測のためのデータ駆動アプローチを提案する。
我々は3,661人の患者からのデータを用いてトレーニングを行い,96時間以内に劣化を予測すると,受信者動作特性曲線(AUC)が0.786(95% CI: 0.745-0.830)未満の領域を達成した。
深層ニューラルネットワークは、胸部x線画像の情報領域を抽出し、臨床医が予測を解釈できるように支援し、2人の放射線科医を読者調査で比較可能とする。
実際の臨床環境でのパフォーマンスを検証するために、我々はパンデミックの最初の波の間、ニューヨーク大学ランゴネ・ヘルスにディープニューラルネットワークの予備バージョンを静かに配置し、正確な予測をリアルタイムで生成した。
まとめると,本研究は,新型コロナウイルスのトリアージ患者に対して,前科医を支援するシステムの可能性を示すものである。
関連論文リスト
- Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳（メタデータ） (2023-02-02T08:45:17Z) - Hospital transfer risk prediction for COVID-19 patients from a
medicalized hotel based on Diffusion GraphSAGE [7.021489981474361]
台湾では、軽度または軽度症状のある新型コロナウイルス患者の隔離施設として医療ホテルが開設された。
これらのホテルで利用可能な医療が限られているため、臨床劣化のリスクがある患者を特定することが最重要である。
本研究は, 医用ホテルにおける進行病院転院リスク予測のためのグラフベース深層学習手法の開発と評価を目的とした。
論文 参考訳（メタデータ） (2022-12-31T14:59:35Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Multimodal spatiotemporal graph neural networks for improved prediction
of 30-day all-cause hospital readmission [4.609543591101764]
本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。
MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。
心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-04-14T05:50:07Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文 参考訳（メタデータ） (2021-08-05T16:47:33Z) - An Explainable AI System for Automated COVID-19 Assessment and Lesion
Categorization from CT-scans [8.694504007704994]
SARS-CoV-2病原体による新型コロナウイルス感染症は、世界中で壊滅的なパンデミックである。
深層学習パラダイムに基づくAIを用いたパイプラインを提案し,CTスキャンによるCOVID-19検出と病変分類を自動化した。
論文 参考訳（メタデータ） (2021-01-28T11:47:35Z) - COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文 参考訳（メタデータ） (2021-01-13T07:03:17Z) - AIforCOVID: predicting the clinical outcomes in patients with COVID-19
applying AI to chest-X-rays. An Italian multicentre study [7.456548336226919]
胸部X線(CXR)が集中治療や死亡などの重篤な結果の危険にさらされる患者の早期発見のための可能なツールとして使用できるかどうかを検討する。
CXRは、CT(Computed tomography)と比較して、より単純で、より速く、より広く、放射線線量を減らす放射線技術である。
2020年春にイタリアの6つの病院から820人の患者から収集されたデータを含むデータセットを提案する。
論文 参考訳（メタデータ） (2020-12-11T18:03:08Z) - 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) - Deep Learning COVID-19 Features on CXR using Limited Training Data Sets [40.45289250518209]
我々は、比較的少数のトレーニング可能なパラメータで新型コロナウイルスの診断を行うパッチベースの畳み込みニューラルネットワークアプローチを提案する。
実験の結果,本手法は最先端の性能を達成し,臨床的に解釈可能なサリエンシマップを提供することがわかった。
論文 参考訳（メタデータ） (2020-04-13T03:44:42Z)
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。