論文の概要: Challenges in the application of a mortality prediction model for
COVID-19 patients on an Indian cohort
- arxiv url: http://arxiv.org/abs/2101.07215v1
- Date: Fri, 15 Jan 2021 07:06:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 20:00:27.927754
- Title: Challenges in the application of a mortality prediction model for
COVID-19 patients on an Indian cohort
- Title（参考訳）: インドコホートにおけるCOVID-19患者の死亡予測モデルの適用上の課題
- Authors: Yukti Makhija (1), Samarth Bhatia (1), Shalendra Singh (2), Sneha
Kumar Jayaswal (1), Prabhat Singh Malik (3), Pallavi Gupta (4), Shreyas N.
Samaga (1), Shreya Johri (1), Sri Krishna Venigalla (2), Rabi Narayan Hota
(2), Surinder Singh Bhatia (5), Ishaan Gupta (1) ((1) Indian Institute of
Technology Delhi, (2) Armed forces Medical College Pune, (3) All India
Institute of Medical Sciences Delhi, (4) Indian institute of Science
Education and Research Bhopal, (5) DGAFMS office Ministry of Defence Delhi)
- Abstract要約: ヤンなど。
機械学習(ML)メソッドを使って新型コロナウイルス患者の結果を予測する研究が公開されている。
ここでは、covid-19患者の最大のデータセットの1つにデプロイすることで、このモデルの制限を示します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many countries are now experiencing the third wave of the COVID-19 pandemic
straining the healthcare resources with an acute shortage of hospital beds and
ventilators for the critically ill patients. This situation is especially worse
in India with the second largest load of COVID-19 cases and a relatively
resource-scarce medical infrastructure. Therefore, it becomes essential to
triage the patients based on the severity of their disease and devote resources
towards critically ill patients. Yan et al. 1 have published a very pertinent
research that uses Machine learning (ML) methods to predict the outcome of
COVID-19 patients based on their clinical parameters at the day of admission.
They used the XGBoost algorithm, a type of ensemble model, to build the
mortality prediction model. The final classifier is built through the
sequential addition of multiple weak classifiers. The clinically operable
decision rule was obtained from a 'single-tree XGBoost' and used lactic
dehydrogenase (LDH), lymphocyte and high-sensitivity C-reactive protein
(hs-CRP) values. This decision tree achieved a 100% survival prediction and 81%
mortality prediction. However, these models have several technical challenges
and do not provide an out of the box solution that can be deployed for other
populations as has been reported in the "Matters Arising" section of Yan et al.
Here, we show the limitations of this model by deploying it on one of the
largest datasets of COVID-19 patients containing detailed clinical parameters
collected from India.
- Abstract（参考訳）: 多くの国が、新型コロナウイルス(covid-19)のパンデミックの第3波で医療資源を圧迫し、重篤な患者のために病院のベッドや人工呼吸器が急性に不足している。
この状況はインドでは特に悪化しており、新型コロナウイルスの感染者が2番目に多い。
したがって、病気の重症度に基づいて患者をトリアージし、重篤な患者に資源を注ぐことが重要である。
ヤンなど。
新型コロナウイルス(covid-19)患者の入院日の臨床パラメータに基づいて、機械学習(ml)の手法で結果を予測する、非常に関連する研究が1.1で公開されている。
彼らはxgboostアルゴリズム(アンサンブルモデルの一種)を使用して死亡予測モデルを構築した。
最終的な分類器は、複数の弱い分類器の逐次追加によって構築される。
Single-tree XGBoost' と Lactic dehydrogenase (LDH) , リンパ球, 高感度C-reactive protein (hs-CRP) 値を用いた。
この決定木は100%生存予測と81%死亡予測を達成した。
しかし、これらのモデルにはいくつかの技術的課題があり、Yan et al の "Matters Aising" セクションで報告されているように、他の人口に対してデプロイ可能なアウトオブボックスソリューションを提供していない。
ここでは、インドから収集した詳細な臨床パラメータを含む新型コロナウイルス患者の最大のデータセットの1つにデプロイすることで、このモデルの限界を示す。
関連論文リスト
- Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - Severity and Mortality Prediction Models to Triage Indian COVID-19
Patients [0.0]
インド第2波が緩和する中、新型コロナウイルス(COVID-19)は全国で約2900万人の患者に感染し、350万人以上の死者を出した。
そこで本研究では,インドにおける入院当日最大のコホートのうちの1つから,非侵襲的非侵襲的非侵襲的血液パラメータモニタリングに基づいて,臨床結果,重症度,死亡率を予測する2つの解釈可能な機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-09-02T23:15:04Z) - 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) - COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文 参考訳（メタデータ） (2021-08-05T16:47:33Z) - 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) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳（メタデータ） (2021-03-18T03:31:33Z) - AIforCOVID: predicting the clinical outcomes in patients with COVID-19
applying AI to chest-X-rays. An Italian multicentre study [7.456548336226919]
胸部X線(CXR)が集中治療や死亡などの重篤な結果の危険にさらされる患者の早期発見のための可能なツールとして使用できるかどうかを検討する。
CXRは、CT(Computed tomography)と比較して、より単純で、より速く、より広く、放射線線量を減らす放射線技術である。
2020年春にイタリアの6つの病院から820人の患者から収集されたデータを含むデータセットを提案する。
論文 参考訳（メタデータ） (2020-12-11T18:03:08Z) - 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) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z)
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。