論文の概要: Individualized Prediction of COVID-19 Adverse outcomes with MLHO
- arxiv url: http://arxiv.org/abs/2008.03869v2
- Date: Tue, 29 Dec 2020 14:55:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 22:38:24.148743
- Title: Individualized Prediction of COVID-19 Adverse outcomes with MLHO
- Title（参考訳）: MLHOによるCOVID-19逆効果の個別予測
- Authors: Hossein Estiri, Zachary H. Strasser, Shawn N. Murphy
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.197411456718708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We developed MLHO (pronounced as melo), an end-to-end Machine Learning
framework that leverages iterative feature and algorithm selection to predict
Health Outcomes. MLHO implements iterative sequential representation mining,
and feature and model selection, for predicting the patient-level risk of
hospitalization, ICU admission, need for mechanical ventilation, and death. It
bases this prediction on data from patients' past medical records (before their
COVID-19 infection). MLHO's architecture enables a parallel and
outcome-oriented model calibration, in which different statistical learning
algorithms and vectors of features are simultaneously tested to improve the
prediction of health outcomes. Using clinical and demographic data from a large
cohort of over 13,000 COVID-19-positive patients, we modeled the four adverse
outcomes utilizing about 600 features representing patients' pre-COVID health
records and demographics. The mean AUC ROC for mortality prediction was 0.91,
while the prediction performance ranged between 0.80 and 0.81 for the ICU,
hospitalization, and ventilation. We broadly describe the clusters of features
that were utilized in modeling and their relative influence for predicting each
outcome. Our results demonstrated that while demographic variables (namely age)
are important predictors of adverse outcomes after a COVID-19 infection, the
incorporation of the past clinical records are vital for a reliable prediction
model. As the COVID-19 pandemic unfolds around the world, adaptable and
interpretable machine learning frameworks (like MLHO) are crucial to improve
our readiness for confronting the potential future waves of COVID-19, as well
as other novel infectious diseases that may emerge.
- Abstract（参考訳）: 機械学習フレームワークMLHO(melo)を開発した。これは、反復的な特徴とアルゴリズムの選択を利用して、ヘルスアウトカムを予測する。
MLHOは、患者レベルの入院リスク、ICU入院、機械的換気の必要性、死亡を予測するために、反復的な逐次的表現マイニングと特徴とモデル選択を実装している。
この予測は、患者の過去の医療記録(新型コロナウイルス感染前)のデータに基づく。
mlhoのアーキテクチャは、異なる統計学習アルゴリズムと特徴ベクトルを同時にテストし、健康結果の予測を改善する並列および結果指向のモデルキャリブレーションを可能にする。
13,000人を超えるcohort患者から得られた臨床統計と人口統計データを用いて、患者の既往の健康記録と人口統計を表わす約600の機能を活用した4つの副作用をモデル化した。
死亡予測の平均auc rocは0.91であり, icu, 入院, 換気の予測性能は0.80から0.81であった。
モデル化に使用された特徴のクラスタと,それぞれの結果を予測するための相対的な影響について概説する。
以上の結果から, 人口動態変数(すなわち年齢)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, 信頼性の高い予測モデルには過去の臨床記録の組み入れが不可欠であることが示された。
新型コロナウイルス(COVID-19)のパンデミックが世界中に広がる中、適応的で解釈可能な機械学習フレームワーク(MLHOなど)は、新型コロナウイルス(COVID-19)の潜在的な波に直面するための準備を改善するために不可欠だ。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - 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) - Analyzing Impact of Socio-Economic Factors on COVID-19 Mortality
Prediction Using SHAP Value [4.372054218052678]
本稿では、未確認のCOVID-19患者のデータセットに機械学習アルゴリズムを適用する。
患者数は20,878人、うち2020年で9,177人が死亡した。
分析の結果, 年間および使い捨て所得, 年齢, 教育, 就業状況は, 機械学習モデル予測に大きな影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2023-02-27T21:33:04Z) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - The Consequences of the Framing of Machine Learning Risk Prediction
Models: Evaluation of Sepsis in General Wards [0.0]
フレーミングがモデル性能とモデル学習に与える影響を4つの異なるアプローチで評価する。
デンマークの4自治体の221,283人の二次医療データを分析した。
論文 参考訳（メタデータ） (2021-01-26T14:00:05Z) - Continual Deterioration Prediction for Hospitalized COVID-19 Patients [3.3581926090154113]
病院滞在終了時の患者結果の日次予測を行うための時間的階層化手法を開発した。
予備実験では、連続劣化予測における0.98 AUROC、0.91 F1スコアおよび0.97AUPRを示す。
論文 参考訳（メタデータ） (2021-01-19T12:03:56Z) - 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) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - 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) - 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)
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。