論文の概要: Predicting Patient COVID-19 Disease Severity by means of Statistical and
Machine Learning Analysis of Blood Cell Transcriptome Data
- arxiv url: http://arxiv.org/abs/2011.10657v1
- Date: Thu, 19 Nov 2020 10:32:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 22:02:05.386468
- Title: Predicting Patient COVID-19 Disease Severity by means of Statistical and
Machine Learning Analysis of Blood Cell Transcriptome Data
- Title（参考訳）: 血液細胞トランスクリプトームデータの統計的および機械学習による患者の新型コロナウイルス重症度予測
- Authors: Sakifa Aktar, Md. Martuza Ahamad, Md. Rashed-Al-Mahfuz, AKM Azad,
Shahadat Uddin, A H M Kamal, Salem A. Alyami, Ping-I Lin, Sheikh Mohammed
Shariful Islam, Julian M.W. Quinn, Valsamma Eapen, and Mohammad Ali Moni
- Abstract要約: 患者末梢血のデータを用いて臨床結果を予測する方法について検討した。
本研究は, 健常人と陽性患者とを鑑別し, 血液検査で測定可能な臨床パラメータをいくつか明らかにした。
そこで我々は,90%以上の重症度と死亡率予測の精度と精度を示す分析手法を多数開発した。
- 参考スコア（独自算出の注目度）: 3.5699804146136676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Introduction: For COVID-19 patients accurate prediction of disease severity
and mortality risk would greatly improve care delivery and resource allocation.
There are many patient-related factors, such as pre-existing comorbidities that
affect disease severity. Since rapid automated profiling of peripheral blood
samples is widely available, we investigated how such data from the peripheral
blood of COVID-19 patients might be used to predict clinical outcomes.
Methods: We thus investigated such clinical datasets from COVID-19 patients
with known outcomes by combining statistical comparison and correlation methods
with machine learning algorithms; the latter included decision tree, random
forest, variants of gradient boosting machine, support vector machine,
K-nearest neighbour and deep learning methods.
Results: Our work revealed several clinical parameters measurable in blood
samples, which discriminated between healthy people and COVID-19 positive
patients and showed predictive value for later severity of COVID-19 symptoms.
We thus developed a number of analytic methods that showed accuracy and
precision for disease severity and mortality outcome predictions that were
above 90%.
Conclusions: In sum, we developed methodologies to analyse patient routine
clinical data which enables more accurate prediction of COVID-19 patient
outcomes. This type of approaches could, by employing standard hospital
laboratory analyses of patient blood, be utilised to identify, COVID-19
patients at high risk of mortality and so enable their treatment to be
optimised.
- Abstract（参考訳）: 導入:新型コロナウイルス患者の重症度と死亡リスクの正確な予測は、ケアデリバリーとリソース割り当てを大幅に改善する。
疾患の重症度に影響を及ぼす既往の相乗効果など、多くの患者関連要因がある。
末梢血サンプルの迅速自動分析が広く利用可能であることから, 臨床予後予測に新型コロナウイルス患者の末梢血データがどのように用いられるか検討した。
方法: 統計的比較法と相関法を機械学習アルゴリズムと組み合わせることで, 新型コロナウイルス患者から得られた臨床データセットを調査した。後者は, 決定木, ランダムフォレスト, 勾配ブースティングマシンの変種, サポートベクターマシン, k-nearest近傍, 深層学習法である。
結果: 血液検査で測定可能ないくつかの臨床指標が, 健常者と新型コロナウイルス陽性者の間で判別され, その後の重症化の予測値を示した。
そこで我々は,90%以上の重症度と死亡率予測の精度と精度を示す分析手法を多数開発した。
結論: 患者の日常的な臨床データを分析し, より正確な患者結果の予測を可能にする手法を開発した。
この種のアプローチは、患者の血液の標準的な病院検査結果を用いて、死亡リスクの高いcovid-19患者を特定できるため、治療を最適化することができる。
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) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳（メタデータ） (2023-08-24T05:26:56Z) - COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文 参考訳（メタデータ） (2021-09-14T14:16:32Z) - Machine learning approach to dynamic risk modeling of mortality in
COVID-19: a UK Biobank study [0.0]
新型コロナウイルス(COVID-19)のパンデミックは、高リスク患者の階層化を支援する堅牢でスケーラブルなモニタリングツールを緊急に必要としてきた。
本研究は、英国バイオバンクを用いた予測モデルを開発し、検証し、新型コロナウイルスの死亡リスクを推定することを目的とする。
論文 参考訳（メタデータ） (2021-04-19T11:51:20Z) - Development and Validation of a Deep Learning Model for Prediction of
Severe Outcomes in Suspected COVID-19 Infection [9.524156465126758]
救急外来(ed)に初診した患者の予測結果を伴うトリエイジングは、患者の予後を改善する上で重要である。
我々は、患者の結果を予測するために深い機能融合モデルを訓練した。
モデルアウトプットは、最も非感受性な酸素療法が要求される患者の結果であった。
新型コロナウイルス重篤な結果(CO-RISKスコア)の予測リスクスコアは、モデルアウトプットから導出され、テストデータセットで評価された。
論文 参考訳（メタデータ） (2021-03-21T00:03:27Z) - 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) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z) - 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) - 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) - 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) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。