Fugu-MT 論文翻訳(概要): Predicting special care during the COVID-19 pandemic: A machine learning approach

論文の概要: Predicting special care during the COVID-19 pandemic: A machine learning approach

arxiv url: http://arxiv.org/abs/2011.03143v1
Date: Fri, 6 Nov 2020 00:18:27 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 05:24:42.284735
Title: Predicting special care during the COVID-19 pandemic: A machine learning approach
Title（参考訳）: 新型コロナウイルスのパンデミックで特別なケアを予測する: 機械学習のアプローチ
Authors: Vitor Bezzan and Cleber D. Rocco
Abstract要約: 本稿では,患者が特別なケアを必要としているかどうかを予測するため,統計と機械学習に基づく分析手法を提案する。また、患者がそのようなケアを受ける日数も予測する。分析的アプローチは、他の疾患で使用することができ、病院の容量を計画するのに役立つ。
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: More than ever COVID-19 is putting pressure on health systems all around the world, especially in Brazil. In this study we propose an analytical approach based on statistics and machine learning that uses lab exam data coming from patients to predict whether patients are going to require special care (hospitalisation in regular or special-care units). We also predict the number of days the patients will stay under such care. The two-step procedure developed uses Bayesian Optimisation to select the best model among several candidates leads us to final models that achieve 0.94 area under ROC curve performance for the first target and 1.87 root mean squared error for the second target (which is a 77% improvement over the mean baseline), making our model ready to be deployed as a decision system that could be available for everyone interested. The analytical approach can be used in other diseases and can help the planning hospital capacity.
Abstract（参考訳）: 特にブラジルでは、新型コロナウイルス(COVID-19)が世界中の医療システムに圧力をかけている。本研究では,患者からの検査データを用いて,患者が特別なケアを必要としているかどうかを予測し,統計と機械学習に基づく分析的アプローチを提案する。また、患者がそのようなケアを受ける日数も予測する。提案手法はベイズ最適化(Bayesian Optimisation)を用いて,複数の候補の中から最適なモデルを選択することで,第1ターゲットのROC曲線性能の0.94領域,第2ターゲットの1.87ルート平均二乗誤差(平均ベースラインの77%の改善)を達成し,本モデルが関心のあるすべての人が利用できる決定システムとしてデプロイ可能なようにした。分析的アプローチは、他の疾患で使用することができ、病院の容量を計画するのに役立つ。

関連論文リスト

Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients [1.0874223087191939]
本研究の目的は,深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討することである。臨床およびRT-PCRがどちらが信頼性が高いかを予測するための予測に与える影響について検討した。その結果, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
論文参考訳（メタデータ） (2023-11-23T11:21:40Z)
A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文参考訳（メタデータ） (2022-11-01T14:12:58Z)
A Comprehensive Benchmark for COVID-19 Predictive Modeling Using Electronic Health Records in Intensive Care [15.64030213048907]
集中治療室における新型コロナウイルス患者のアウトカム特異的長期予測と早期死亡予測の2つの臨床予測課題を提案する。この2つの課題は、新型コロナウイルス(COVID-19)患者の臨床実践に対応するため、単純で不安定な長寿と死亡予測のタスクから適応される。我々は、公平で詳細なオープンソースのデータ前処理パイプラインを提案し、2つのタスクで17の最先端予測モデルを評価する。
論文参考訳（メタデータ） (2022-09-16T09:09:15Z)
MedML: Fusing Medical Knowledge and Machine Learning Models for Early Pediatric COVID-19 Hospitalization and Severity Prediction [27.352097332678213]
我々は、新しい機械学習モデルであるMedMLを用いて、全国的な小児新型コロナウイルスデータ問題に対処する。 MedMLは600万以上の医療概念から、医療知識と妥当性スコアに基づいて最も予測可能な特徴を抽出する。入院予測タスクは143,605名,重症度予測タスクは11,465名,重症度予測タスクは143,605名であった。
論文参考訳（メタデータ） (2022-07-25T15:56:14Z)
Developing and validating multi-modal models for mortality prediction in COVID-19 patients: a multi-center retrospective study [1.5308395762165423]
マルチセンター患者データを用いて、新型コロナウイルス死亡予測のためのマルチモーダルモデルの開発と検証を行った。私たちのゴールは、調査員や組織が予測、分類、最適化のためのマルチモーダルモデルを構築するのを支援するツールキットを作ることです。
論文参考訳（メタデータ） (2021-09-01T04:46:27Z)
Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文参考訳（メタデータ） (2021-04-28T15:32:42Z)
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)
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)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
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。
論文参考訳（メタデータ） (2020-08-10T02:44:52Z)
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。