論文の概要: A predictive model for kidney transplant graft survival using machine
learning
- arxiv url: http://arxiv.org/abs/2012.03787v1
- Date: Mon, 7 Dec 2020 15:29:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 13:13:08.792987
- Title: A predictive model for kidney transplant graft survival using machine
learning
- Title(参考訳): 機械学習を用いた腎移植の生存予測モデル
- Authors: Eric S. Pahl, W. Nick Street, Hans J. Johnson, Alan I. Reed
- Abstract要約: 機械学習手法は、移植結果の予測を改善し、意思決定を助ける。
一般的な木ベースの機械学習手法であるランダムフォレストをトレーニングし,評価した。
ランダムフォレストはリスク指数よりも成功し、長期生存できる移植を予測した。
- 参考スコア(独自算出の注目度): 1.514049362441354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Kidney transplantation is the best treatment for end-stage renal failure
patients. The predominant method used for kidney quality assessment is the Cox
regression-based, kidney donor risk index. A machine learning method may
provide improved prediction of transplant outcomes and help decision-making. A
popular tree-based machine learning method, random forest, was trained and
evaluated with the same data originally used to develop the risk index (70,242
observations from 1995-2005). The random forest successfully predicted an
additional 2,148 transplants than the risk index with equal type II error rates
of 10%. Predicted results were analyzed with follow-up survival outcomes up to
240 months after transplant using Kaplan-Meier analysis and confirmed that the
random forest performed significantly better than the risk index (p<0.05). The
random forest predicted significantly more successful and longer-surviving
transplants than the risk index. Random forests and other machine learning
models may improve transplant decisions.
- Abstract(参考訳): 腎臓移植は末期腎不全患者に最適な治療法である。
腎臓品質評価に用いられる主な方法は、Cox回帰に基づく腎臓ドナーリスク指標である。
機械学習は、移植結果の予測を改善し、意思決定を支援する。
木をベースとした機械学習手法であるランダムフォレスト(ランダムフォレスト)を,1995-2005年の70,242件のリスク指標の開発に使用した同じデータを用いて訓練し,評価した。
ランダム・フォレストは、リスク指標よりも2,148回の移植を行い、II型エラー率は10%と予測した。
kaplan-meier 法による移植後240カ月までの生存率で予測結果を解析し,ランダム林はリスク指数 (p<0.05) よりも有意に良好であったことを確認した。
ランダムフォレストはリスク指数よりも成功し、長期生存できる移植を予測した。
ランダムフォレストやその他の機械学習モデルは移植決定を改善する可能性がある。
関連論文リスト
- Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-10-24T02:56:05Z) - Penalties and Rewards for Fair Learning in Paired Kidney Exchange
Programs [4.963350442999301]
腎臓交換プログラム(英: kidney exchange program)または腎臓対寄付プログラム(英: kidney paired donation program)は、反復的、ダイナミックな取引と割り当てのメカニズムであると見なすことができる。
カナダ・キドニー・ペアド・寄付計画(Canadian Kidney Paired Donation Program)のフルスケールシミュレーションを用いて,この仮説を確認した。
腎臓交換プログラムの性能を決定する上で最も重要な要因は、患者とドナーのペアに対する正の重み付け(逆戻り)を司法的に割り当てることではない。
論文 参考訳(メタデータ) (2023-09-23T16:25:49Z) - Supervised Machine Learning for Breast Cancer Risk Factors Analysis and
Survival Prediction [0.5249805590164902]
最も効果的な治療法の選択は、最終的には乳がん生存予測に影響されるかもしれない。
本研究では,1904年の患者記録を用いて5年間の乳癌生存を機械学習を用いて予測した。
論文 参考訳(メタデータ) (2023-04-13T12:32:14Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳(メタデータ) (2023-04-11T02:45:38Z) - A Transformer-Based Deep Learning Approach for Fairly Predicting
Post-Liver Transplant Risk Factors [19.00784227522497]
肝移植は、末期肝疾患患者の救命法である。
現在のスコアシステムは、90日以内に臓器を受け取らなければ患者の死亡リスクを評価する。
心血管疾患や慢性拒絶などの移植後リスク因子は移植後の合併症である。
論文 参考訳(メタデータ) (2023-04-05T22:54:26Z) - Multi-Task Learning for Post-transplant Cause of Death Analysis: A Case
Study on Liver Transplant [65.85767739748901]
移植後の死因は、臨床的意思決定の強力なツールである。
Model for End-stage Liver Disease (MELD) スコアや従来の機械学習 (ML) メソッドのような従来の手法は、CoD 解析において限られている。
我々は,多タスク学習を利用したCoD-MTLと呼ばれる新しいフレームワークを提案し,様々なCoD予測タスク間の意味関係をモデル化する。
論文 参考訳(メタデータ) (2023-03-30T01:31:49Z) - Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
肝移植は肝疾患に対して必要不可欠な治療法である。
機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。
本研究は,肝移植における移植不全予測を目的とした,公正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) (2023-02-18T18:24:58Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳(メタデータ) (2022-03-20T21:00:10Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Predicting Kidney Transplant Survival using Multiple Feature
Representations for HLAs [5.081264894734788]
本稿では,HLA情報を機械学習に基づく生存分析アルゴリズムに組み込む生体関連特徴表現を提案する。
提案したHLAの特徴表現を10万以上の移植のデータベースで評価し,予測精度を約1%向上させた。
論文 参考訳(メタデータ) (2021-03-04T20:22:47Z) - Gradient Boosting on Decision Trees for Mortality Prediction in
Transcatheter Aortic Valve Implantation [5.050648346154715]
心臓外科における現在の予後リスクスコアは統計に基づいており、まだ機械学習の恩恵を受けていない。
本研究は,TAVI後の患者の1年間の死亡率を予測する機械学習モデルの構築を目的とする。
論文 参考訳(メタデータ) (2020-01-08T10:04:42Z)
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。