論文の概要: A scalable approach for developing clinical risk prediction applications in different hospitals

• arxiv url: http://arxiv.org/abs/2101.10268v1
• Date: Thu, 21 Jan 2021 21:22:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-21 08:04:29.680017
• Title: A scalable approach for developing clinical risk prediction applications in different hospitals
• Title（参考訳）: 異なる病院での臨床リスク予測アプリケーションを開発するためのスケーラブルなアプローチ
• Authors: Hong Sun, Kristof Depraetere, Laurent Meesseman, Jos De Roo, Martijn Vanbiervliet, Jos De Baerdemaeker, Herman Muys, Vera von Dossow, Nikolai Hulde, Ralph Szymanowsky
• Abstract要約: 機械学習アルゴリズムは現在、臨床応用のための急性事象の予測に広く使われている。 臨床リスク予測モデルの開発プロセスを複数の疾患に拡張するためのスケーラブルなソリューションを提供する。
• 参考スコア（独自算出の注目度）: 2.3837093461599634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Machine learning algorithms are now widely used in predicting acute events for clinical applications. While most of such prediction applications are developed to predict the risk of a particular acute event at one hospital, few efforts have been made in extending the developed solutions to other events or to different hospitals. We provide a scalable solution to extend the process of clinical risk prediction model development of multiple diseases and their deployment in different Electronic Health Records (EHR) systems. Materials and Methods: We defined a generic process for clinical risk prediction model development. A calibration tool has been created to automate the model generation process. We applied the model calibration process at four hospitals, and generated risk prediction models for delirium, sepsis and acute kidney injury (AKI) respectively at each of these hospitals. Results: The delirium risk prediction models achieved area under the receiver-operating characteristic curve (AUROC) ranging from 0.82 to 0.95 over different stages of a hospital stay on the test datasets of the four hospitals. The sepsis models achieved AUROC ranging from 0.88 to 0.95, and the AKI models achieved AUROC ranging from 0.85 to 0.92. Discussion: The scalability discussed in this paper is based on building common data representations (syntactic interoperability) between EHRs stored in different hospitals. Semantic interoperability, a more challenging requirement that different EHRs share the same meaning of data, e.g. a same lab coding system, is not mandated with our approach. Conclusions: Our study describes a method to develop and deploy clinical risk prediction models in a scalable way. We demonstrate its feasibility by developing risk prediction models for three diseases across four hospitals.
• Abstract（参考訳）: 目的: 機械学習アルゴリズムは現在、臨床応用のための急性事象の予測に広く使われている。 このような予測アプリケーションのほとんどは、ある病院で特定の急性事象のリスクを予測するために開発されているが、開発された解決策を他の病院や病院に拡張する試みは少ない。 我々は,複数の疾患のリスク予測モデルの開発プロセスと,異なる電子健康記録(ehr)システムへの展開を拡張可能なスケーラブルなソリューションを提供する。 材料と方法: 臨床リスク予測モデル開発のための汎用プロセスを定義した。 モデル生成プロセスを自動化するためにキャリブレーションツールが作成されている。 4つの病院でモデルキャリブレーションを行い, それぞれの病院で, デリリウム, 敗血症, 急性腎障害(AKI)のリスク予測モデルを作成した。 結果: 4つの病院の検査データセット上で病院滞在の異なる段階において,受信者特性曲線 (auroc) 下のデリウムリスク予測モデルが0.82から0.95の範囲で達成された。 セシスモデルは0.88から0.95までAUROCを達成し、AKIモデルは0.85から0.92までAUROCを達成した。 考察:本稿で論じるスケーラビリティは,異なる病院に保管されているEMH間の共通データ表現(シンタクティック・インターオペラビリティ)の構築に基づいている。 セマンティック相互運用性(Semantic interoperability)は、異なるEHRがデータの同じ意味を共有するというより難しい要件である。 同じラボのコーディングシステムに アプローチは義務付けられていません 結論:本研究では,臨床リスク予測モデルをスケーラブルな方法で開発・展開する方法について述べる。 4つの病院で3つの疾患のリスク予測モデルを構築し,その可能性を示す。

関連論文リスト

• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• Learning to Predict with Supporting Evidence: Applications to Clinical Risk Prediction [9.199022926064009]
  機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。 予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
  論文  参考訳（メタデータ） (2021-03-04T00:26:32Z)
• 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)
• An explainable Transformer-based deep learning model for the prediction of incident heart failure [22.513476932615845]
  100,071例の心不全予後予測のための新しいTransformerディープラーニングモデルを開発した。 このモデルは、レシーバーオペレーター曲線で 0.93 と 0.93 の領域、精度-リコール曲線で 0.69 と 0.70 の領域を達成した。 文脈化医療情報の重要さは感度分析において明らかにされた。
  論文  参考訳（メタデータ） (2021-01-27T12:45:15Z)
• The Consequences of the Framing of Machine Learning Risk Prediction Models: Evaluation of Sepsis in General Wards [0.0]
  フレーミングがモデル性能とモデル学習に与える影響を4つの異なるアプローチで評価する。 デンマークの4自治体の221,283人の二次医療データを分析した。
  論文  参考訳（メタデータ） (2021-01-26T14:00:05Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。