論文の概要: Clinical prediction system of complications among COVID-19 patients: a
development and validation retrospective multicentre study
- arxiv url: http://arxiv.org/abs/2012.01138v1
- Date: Sat, 28 Nov 2020 18:16:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 20:05:21.951285
- Title: Clinical prediction system of complications among COVID-19 patients: a
development and validation retrospective multicentre study
- Title(参考訳): 新型コロナウイルス患者の合併症の予知システム:多施設共同研究の展開と検証
- Authors: Ghadeer O. Ghosheh, Bana Alamad, Kai-Wen Yang, Faisil Syed, Nasir
Hayat, Imran Iqbal, Fatima Al Kindi, Sara Al Junaibi, Maha Al Safi, Raghib
Ali, Walid Zaher, Mariam Al Harbi, Farah E. Shamout
- Abstract要約: 2020年4月1日から4月30日までにUAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。
最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。
このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
- 参考スコア(独自算出の注目度): 0.3569980414613667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing prognostic tools mainly focus on predicting the risk of mortality
among patients with coronavirus disease 2019. However, clinical evidence
suggests that COVID-19 can result in non-mortal complications that affect
patient prognosis. To support patient risk stratification, we aimed to develop
a prognostic system that predicts complications common to COVID-19. In this
retrospective study, we used data collected from 3,352 COVID-19 patient
encounters admitted to 18 facilities between April 1 and April 30, 2020, in Abu
Dhabi (AD), UAE. The hospitals were split based on geographical proximity to
assess for our proposed system's learning generalizability, AD Middle region
and AD Western & Eastern regions, A and B, respectively. Using data collected
during the first 24 hours of admission, the machine learning-based prognostic
system predicts the risk of developing any of seven complications during the
hospital stay. The complications include secondary bacterial infection, AKI,
ARDS, and elevated biomarkers linked to increased patient severity, including
d-dimer, interleukin-6, aminotransferases, and troponin. During training, the
system applies an exclusion criteria, hyperparameter tuning, and model
selection for each complication-specific model. The system achieves good
accuracy across all complications and both regions. In test set A (587 patient
encounters), the system achieves 0.91 AUROC for AKI and >0.80 AUROC for most of
the other complications. In test set B (225 patient encounters), the respective
system achieves 0.90 AUROC for AKI, elevated troponin, and elevated
interleukin-6, and >0.80 AUROC for most of the other complications. The best
performing models, as selected by our system, were mainly gradient boosting
models and logistic regression. Our results show that a data-driven approach
using machine learning can predict the risk of such complications with high
accuracy.
- Abstract(参考訳): 既存の予後予測ツールは、主に2019年の新型コロナウイルス患者の死亡リスクの予測に焦点を当てている。
しかし、臨床証拠は、COVID-19が患者の予後に影響を与える非致命的な合併症を引き起こす可能性を示唆している。
患者のリスク階層化を支援するため,我々は,covid-19に共通する合併症を予測する予後予測システムの開発を目標とした。
本研究では,2020年4月1日から4月30日にかけて,UAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。
病院は地理的近接性に基づいて分別され,本システムによる学習一般化度,AD中地域,AD西・東地域,AとBの評価を行った。
最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。
合併症には、二次細菌感染症、AKI、ARDS、d-dimer、interleukin-6、アミノトランスフェラーゼ、トロポニンを含む患者の重症度の増加に関連するバイオマーカーが含まれる。
訓練中、システムは複雑なモデルごとに排他的基準、ハイパーパラメータチューニング、モデル選択を適用する。
このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
テストセットA(587例)では,AKIでは0.91AUROC,他の合併症では0.80AUROCを達成した。
テストセットB(225人)では、AKIの0.90 AUROC、トロポニンの上昇、インターロイキン-6の上昇、および他の合併症の0.80 AUROCが達成される。
我々のシステムで選択した最高の性能モデルは、主に勾配向上モデルとロジスティック回帰である。
その結果,機械学習を用いたデータ駆動アプローチは,このような合併症のリスクを高い精度で予測できることがわかった。
関連論文リスト
- Robust Meta-Model for Predicting the Need for Blood Transfusion in
Non-traumatic ICU Patients [10.169599503547134]
ICU設定での貧血や凝固症管理に不可欠な輸血は、効果的な資源配分と患者のリスク評価の正確な予測を必要とする。
本研究の目的は,多種多様な非外傷性ICU患者に対して,今後24時間にわたって輸血の必要性を予測できる高度な機械学習モデルを開発することである。
論文 参考訳(メタデータ) (2024-01-01T23:25:48Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳(メタデータ) (2023-02-02T08:45:17Z) - 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) - BIO-CXRNET: A Robust Multimodal Stacking Machine Learning Technique for
Mortality Risk Prediction of COVID-19 Patients using Chest X-Ray Images and
Clinical Data [0.0]
本研究は、イタリアで入院した930人の新型コロナウイルス患者のリスクを予測するために、25のバイオマーカーとCXR画像を用いている。
提案手法は精度、感度、F1スコアをそれぞれ89.03%、90.44%、89.03%とした。
ノモグラムに基づく採点法では、F1スコア92.88 %の高リスク患者の死亡確率を予測することができた。
論文 参考訳(メタデータ) (2022-06-15T15:23:43Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳(メタデータ) (2022-05-05T10:31:57Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - Predicting Hyperkalemia in the ICU and Evaluation of Generalizability
and Interpretability [5.9854349801427285]
高カルシウム血症は致命的な不整脈を引き起こす危険がある。
集中治療室(ICU)患者を高カルシウム血症のリスクで同定する予測モデルを開発した。
i) 0.79, 0.81, 0.81 および (ii) 0.81, 0.85, 0.85 の AUC を用いて, LR, RF, XGBoost をそれぞれ予測した。
論文 参考訳(メタデータ) (2021-01-16T12:35:27Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - 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。