論文の概要: Parkland Trauma Index of Mortality (PTIM): Real-time Predictive Model
for PolyTrauma Patients
- arxiv url: http://arxiv.org/abs/2010.03642v1
- Date: Wed, 7 Oct 2020 20:34:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 00:23:50.326349
- Title: Parkland Trauma Index of Mortality (PTIM): Real-time Predictive Model
for PolyTrauma Patients
- Title（参考訳）: Parkland Trauma Index of Mortality (PTIM) : PolyTrauma 患者のリアルタイム予測モデル
- Authors: Adam J. Starr, Manjula Julka, Arun Nethi, John D. Watkins, Ryan W.
Fairchild, Michael W. Cripps, Dustin Rinehart, and Hayden N. Box
- Abstract要約: 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。
- 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: Vital signs and laboratory values are routinely used to guide clinical
decision-making for polytrauma patients, such as the decision to use damage
control techniques versus early definitive fracture fixation. Prior
multivariate models have tried to predict mortality risk, but due to several
limitations like one-time prediction at the time of admission, they have not
proven clinically useful. There is a need for a dynamic model that captures
evolving physiologic changes during patient's hospital course to trauma and
resuscitation for mortality prediction. The Parkland Trauma Index of Mortality
(PTIM) is a machine learning algorithm that uses electronic medical record
(EMR) data to predict $48-$hour mortality during the first $72$ hours of
hospitalization. The model updates every hour, evolving with the patient's
physiologic response to trauma. Area under (AUC) the receiver-operator
characteristic curve (ROC), sensitivity, specificity, positive (PPV) and
negative predictive value (NPV), and positive and negative likelihood ratios
(LR) were used to evaluate model performance. By evolving with the patient's
physiologic response to trauma and relying only on EMR data, the PTIM overcomes
many of the limitations of prior mortality risk models. It may be a useful tool
to inform clinical decision-making for polytrauma patients early in their
hospitalization.
- Abstract（参考訳）: バイタルサインと実験室の値は、早期断裂に対する損傷制御技術の使用の決定など、ポリトラウマ患者の臨床的意思決定をガイドするために日常的に使用される。
以前の多変量モデルでは死亡リスクを予測しようとしたが、入院時の1回予測のようないくつかの制限のため、臨床的に有用でないことが証明された。
死亡予測のための外傷と蘇生に対する患者の病院コースにおける生理的変化を捉えるダイナミックモデルが必要である。
Parkland Trauma Index of Mortality(PTIM)は、EMR(Electronic Medical Record)データを用いて、最初の72ドル(約7万2000円)の入院中の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。
モデル性能評価には, 受動特性曲線 (ROC) , 感度, 特異性, 正の予測値 (PPV) と負の予測値 (NPV) , 正の正と負の正の正の正比 (LR) が用いられた。
トラウマに対する患者の生理的反応を進化させ、emrデータのみに依存することにより、ptimは以前の死亡リスクモデルの多くの制限を克服する。
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。
関連論文リスト
- Population stratification for prediction of mortality in post-AKI patients [0.0]
急性腎障害(AKI)は、入院患者の20%に影響を及ぼす重篤な臨床疾患である。
患者のリスクと医療費は、予測モデルと機械学習に基づくフォローアップ計画によって最小化できる。
論文 参考訳（メタデータ） (2024-10-23T13:36:23Z) - 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) - Random Forest-Based Prediction of Stroke Outcome [7.090384254446659]
入院後3ヶ月の死亡率と死亡率の予測に機械学習を用いて予測モデルを生成する。
結論として、機械学習RFアルゴリズムは脳卒中患者の死亡率と死亡率の長期予後予測に有効である。
論文 参考訳（メタデータ） (2024-02-01T14:54:17Z) - Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using
EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。
我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。
我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
論文 参考訳（メタデータ） (2023-08-17T03:46:23Z) - 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) - 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) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Machine Intelligence for Outcome Predictions of Trauma Patients During
Emergency Department Care [0.0]
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。
論文 参考訳（メタデータ） (2020-09-08T17:26:34Z) - 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)
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。