Fugu-MT 論文翻訳(概要): Intimate Partner Violence and Injury Prediction From Radiology Reports

論文の概要: Intimate Partner Violence and Injury Prediction From Radiology Reports

arxiv url: http://arxiv.org/abs/2009.09084v2
Date: Wed, 7 Oct 2020 16:26:58 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 01:48:50.227014
Title: Intimate Partner Violence and Injury Prediction From Radiology Reports
Title（参考訳）: 放射線医学報告からの親密なパートナーの暴力と傷害予測
Authors: Irene Y. Chen, Emily Alsentzer, Hyesun Park, Richard Thomas, Babina Gosangi, Rahul Gujrathi, Bharti Khurana
Abstract要約: 我々は,1)暴力予防プログラムへの参入に基づくIPVラベルと,2)緊急放射線学研修医が提供した傷害ラベルを用いて,放射線学レポートの予測アルゴリズムを訓練する。最良モデルでは、暴力防止プログラムの入場前の平均値は3.08年で、感度は64%、特異度は95%と予測されている。
参考スコア（独自算出の注目度）: 3.594372221488894
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Intimate partner violence (IPV) is an urgent, prevalent, and under-detected public health issue. We present machine learning models to assess patients for IPV and injury. We train the predictive algorithms on radiology reports with 1) IPV labels based on entry to a violence prevention program and 2) injury labels provided by emergency radiology fellowship-trained physicians. Our dataset includes 34,642 radiology reports and 1479 patients of IPV victims and control patients. Our best model predicts IPV a median of 3.08 years before violence prevention program entry with a sensitivity of 64% and a specificity of 95%. We conduct error analysis to determine for which patients our model has especially high or low performance and discuss next steps for a deployed clinical risk model.
Abstract（参考訳）: 親密なパートナー暴力(IPV、Intimate partner violence)は、公衆衛生問題である。 IPVと外傷の患者を評価するための機械学習モデルを提案する。放射線学報告における予測アルゴリズムの訓練 1)暴力防止プログラムへの参入に基づくipvラベル及び 2)緊急放射線学研修医が提供した外傷ラベル対象はIPV患者34,642例, IPV患者1479例である。当社のベストモデルでは,暴力防止プログラム導入前におけるipvの中央値が3.08年,感度が64%,特異性95%と予測している。当社のモデルが特にハイ・ロー・パフォーマンスの患者を特定するためにエラー分析を行い,臨床リスクモデルの次のステップについて検討する。

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)
Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文参考訳（メタデータ） (2023-06-29T23:36:04Z)
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)
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)
Predicting adverse outcomes following catheter ablation treatment for atrial fibrillation [2.202746751854349]
AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
論文参考訳（メタデータ） (2022-11-22T02:55:51Z)
Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文参考訳（メタデータ） (2021-11-18T00:43:41Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
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)
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)
An artificial intelligence system for predicting the deterioration of COVID-19 patients in the emergency department [28.050958444802944]
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。
論文参考訳（メタデータ） (2020-08-04T19:20:31Z)
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。