論文の概要: Machine Intelligence for Outcome Predictions of Trauma Patients During Emergency Department Care

• arxiv url: http://arxiv.org/abs/2009.03873v2
• Date: Wed, 9 Sep 2020 21:50:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 20:27:37.004986
• Title: Machine Intelligence for Outcome Predictions of Trauma Patients During Emergency Department Care
• Title（参考訳）: 救急医療における外傷患者の予後予測のためのマシンインテリジェンス
• Authors: Joshua D. Cardosi, Herman Shen, Jonathan I. Groner, Megan Armstrong, Henry Xiang
• Abstract要約: 外傷死亡は, 患者人口, 外傷特性, 医療提供, 医療施設の特徴など, 多数の非線形依存型リスク要因から生じる。 我々は、移動学習に基づく機械学習アルゴリズムが、限定回帰モデル基準に頼ることなく、死亡リスクの高い個人を正確に識別できると仮定した。 本モデルは, 年齢別比較モデルにおいて同様の性能を示し, 全年齢に同時に適用した場合によく一般化した。
• 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: Trauma mortality results from a multitude of non-linear dependent risk factors including patient demographics, injury characteristics, medical care provided, and characteristics of medical facilities; yet traditional approach attempted to capture these relationships using rigid regression models. We hypothesized that a transfer learning based machine learning algorithm could deeply understand a trauma patient's condition and accurately identify individuals at high risk for mortality without relying on restrictive regression model criteria. Anonymous patient visit data were obtained from years 2007-2014 of the National Trauma Data Bank. Patients with incomplete vitals, unknown outcome, or missing demographics data were excluded. All patient visits occurred in U.S. hospitals, and of the 2,007,485 encounters that were retrospectively examined, 8,198 resulted in mortality (0.4%). The machine intelligence model was evaluated on its sensitivity, specificity, positive and negative predictive value, and Matthews Correlation Coefficient. Our model achieved similar performance in age-specific comparison models and generalized well when applied to all ages simultaneously. While testing for confounding factors, we discovered that excluding fall-related injuries boosted performance for adult trauma patients; however, it reduced performance for children. The machine intelligence model described here demonstrates similar performance to contemporary machine intelligence models without requiring restrictive regression model criteria or extensive medical expertise.
• Abstract（参考訳）: 外傷死亡は, 患者の人口統計, 外傷特性, 医療提供, 医療施設の特徴など, 多数の非直線的リスク要因から生じるが, 従来のアプローチでは, 厳格な回帰モデルを用いてこれらの関係を捉えようと試みていた。 移動学習に基づく機械学習アルゴリズムは、外傷患者の状態を深く理解し、厳格な回帰モデル基準に頼ることなく、死亡リスクの高い個人を正確に識別できると仮定した。 2007-2014年に全国トラウマデータバンクから匿名の患者訪問データを得た。 不完全なバイタル、未知の結果、または行方不明の人口統計データを持つ患者は除外された。 米国の病院で患者の訪問が全て行われ、回顧調査された2,007,485件のうち8,198件が死亡(0.4%)した。 マシンインテリジェンスモデルは、感度、特異性、正および負の予測値、マシューズ相関係数に基づいて評価された。 本モデルは, 年齢別比較モデルにおいて同様の性能を示し, 全年齢に同時に適用した場合によく一般化した。 転倒関連因子の検証中に, 転倒関連障害を除くと, 成人外傷患者のパフォーマンスが向上することがわかったが, 子どもの成績は低下した。 ここで説明するマシンインテリジェンスモデルは、制限付き回帰モデル基準や広範な医学的専門知識を必要とせずに、現代のマシンインテリジェンスモデルと同様の性能を示す。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• Automatic prediction of mortality in patients with mental illness using electronic health records [0.5957022371135096]
  本報告では,精神疾患患者の死亡率を予測するための永続的課題について述べる。 MIMIC-IIIデータセットから精神疾患の診断データを抽出した。 4つの機械学習アルゴリズムを使用し、ランダムフォレストとサポートベクターマシンのモデルが他のモデルよりも優れていたことを示す結果が得られた。
  論文  参考訳（メタデータ） (2023-10-18T17:21:01Z)
• 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)
• 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)
• An explainable Transformer-based deep learning model for the prediction of incident heart failure [22.513476932615845]
  100,071例の心不全予後予測のための新しいTransformerディープラーニングモデルを開発した。 このモデルは、レシーバーオペレーター曲線で 0.93 と 0.93 の領域、精度-リコール曲線で 0.69 と 0.70 の領域を達成した。 文脈化医療情報の重要さは感度分析において明らかにされた。
  論文  参考訳（メタデータ） (2021-01-27T12:45:15Z)
• 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)
• Parkland Trauma Index of Mortality (PTIM): Real-time Predictive Model for PolyTrauma Patients [0.0]
  Parkland Trauma Index of Mortality (PTIM)は、電子カルテ(EMR)データを用いて死亡率を予測する機械学習アルゴリズムである。 モデルは毎時更新され、外傷に対する患者の生理的反応とともに進化する。 入院早期のポリトラウマ患者の臨床的意思決定に有用なツールかもしれない。
  論文  参考訳（メタデータ） (2020-10-07T20:34:03Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• 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)

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。