論文の概要: All Data Inclusive, Deep Learning Models to Predict Critical Events in
the Medical Information Mart for Intensive Care III Database (MIMIC III)
- arxiv url: http://arxiv.org/abs/2009.01366v1
- Date: Wed, 2 Sep 2020 22:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:37:31.468238
- Title: All Data Inclusive, Deep Learning Models to Predict Critical Events in
the Medical Information Mart for Intensive Care III Database (MIMIC III)
- Title(参考訳): 集中治療のための医療情報マート(mimic iii)における臨界事象予測のための全データ包括的深層学習モデル
- Authors: Anubhav Reddy Nallabasannagari, Madhu Reddiboina, Ryan Seltzer, Trevor
Zeffiro, Ajay Sharma, Mahendra Bhandari
- Abstract要約: 本研究は35,348人を対象に42,818人の入院患者を対象に行った。
複数のデータソースにわたる7500万以上のイベントが処理され、3億5500万以上のトークンが処理された。
すべてのデータソースを使用して構築されたモデルから、はるかに信頼性が高く、信頼性の高いホスピタル死亡を予測できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intensive care clinicians need reliable clinical practice tools to preempt
unexpected critical events that might harm their patients in intensive care
units (ICU), to pre-plan timely interventions, and to keep the patient's family
well informed. The conventional statistical models are built by curating only a
limited number of key variables, which means a vast unknown amount of
potentially precious data remains unused. Deep learning models (DLMs) can be
leveraged to learn from large complex datasets and construct predictive
clinical tools. This retrospective study was performed using 42,818 hospital
admissions involving 35,348 patients, which is a subset of the MIMIC-III
dataset. Natural language processing (NLP) techniques were applied to build
DLMs to predict in-hospital mortality (IHM) and length of stay >=7 days (LOS).
Over 75 million events across multiple data sources were processed, resulting
in over 355 million tokens. DLMs for predicting IHM using data from all sources
(AS) and chart data (CS) achieved an AUC-ROC of 0.9178 and 0.9029,
respectively, and PR-AUC of 0.6251 and 0.5701, respectively. DLMs for
predicting LOS using AS and CS achieved an AUC-ROC of 0.8806 and 0.8642,
respectively, and PR-AUC of 0.6821 and 0.6575, respectively. The observed
AUC-ROC difference between models was found to be significant for both IHM and
LOS at p=0.05. The observed PR-AUC difference between the models was found to
be significant for IHM and statistically insignificant for LOS at p=0.05. In
this study, deep learning models were constructed using data combined from a
variety of sources in Electronic Health Records (EHRs) such as chart data,
input and output events, laboratory values, microbiology events, procedures,
notes, and prescriptions. It is possible to predict in-hospital mortality with
much better confidence and higher reliability from models built using all
sources of data.
- Abstract(参考訳): 集中治療医は、集中治療室(ICU)で患者を害する予期しない臨界事象を予防し、タイムリーな介入を計画し、患者の家族を十分に知らせるために、信頼できる臨床実践ツールが必要である。
従来の統計モデルは、限られた数のキー変数だけをキュレートすることによって構築されている。
ディープラーニングモデル(DLM)は、大規模な複雑なデータセットから学習し、予測的な臨床ツールを構築するために利用することができる。
本研究はMIMIC-IIIデータセットのサブセットである35,348人を対象に42,818人の入院患者を対象に行った。
自然言語処理 (nlp) 技術を適用し, 病院内死亡率 (ihm) と滞在期間 (los) を予測した。
複数のデータソースにわたる7500万以上のイベントが処理され、3億5500万以上のトークンが処理された。
全てのソース(AS)とチャートデータ(CS)のデータを用いてIHMを予測するDLMは、それぞれ0.9178と0.9029のAUC-ROCと0.6251と0.5701のPR-AUCを達成した。
AUC-ROCはそれぞれ0.8806と0.8642、PR-AUCは0.6821と0.6575である。
観測されたモデル間のAUC-ROC差は、p=0.05においてIHMとLOSの両方にとって重要であることがわかった。
観察されたモデル間のPR-AUC差はIHMでは有意であり、LOSではp=0.05で統計的に重要でないことがわかった。
本研究では,グラフデータ,入力および出力イベント,実験室値,微生物学イベント,手順,ノート,処方薬など,電子健康記録(EHR)の様々な情報源から得られたデータを用いてディープラーニングモデルを構築した。
すべてのデータソースを使用して構築されたモデルから、はるかに信頼性が高く、信頼性の高いホスピタル死亡を予測できる。
関連論文リスト
- Prescribing Large Language Models for Perioperative Care: What's The
Right Dose for Pre-trained Models? [7.963194691772056]
術後のリスク予測は、効果的なケア管理と計画に影響を及ぼす。
臨床大言語モデル (LLM) が術後のリスクを予測できるかどうかを, 各種トレーニング戦略を用いた臨床テキストを用いて評価することを目的とした。
BJHデータセットでは,30日間の死亡,肺塞栓症(PE),肺炎が認められた。
事前訓練されたLLMは従来の単語の埋め込みよりも優れており、AUROCは38.3%、AUPRCは14%だった。
論文 参考訳(メタデータ) (2024-02-27T13:18:00Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Time-dependent Iterative Imputation for Multivariate Longitudinal
Clinical Data [0.0]
Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。
500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
論文 参考訳(メタデータ) (2023-04-16T16:10:49Z) - 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) - AD-BERT: Using Pre-trained contextualized embeddings to Predict the
Progression from Mild Cognitive Impairment to Alzheimer's Disease [14.59521645987661]
本研究では,変換器(BERT)モデルから事前学習した双方向表現に基づくディープラーニングフレームワークを開発する。
軽度認知障害(MCI)からアルツハイマー病(AD)への進行リスクを非構造的臨床ノートを用いて予測した。
論文 参考訳(メタデータ) (2022-11-07T04:05:46Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - 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) - 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) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - 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) - Interpretable Machine Learning Model for Early Prediction of Mortality
in Elderly Patients with Multiple Organ Dysfunction Syndrome (MODS): a
Multicenter Retrospective Study and Cross Validation [9.808639780672156]
MODS患者は死亡リスクが高く予後不良である。
本研究は,MODS高齢者の早期死亡予測のための解釈可能・一般化可能なモデルを開発することを目的とする。
論文 参考訳(メタデータ) (2020-01-28T17:15:34Z)
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。