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: 翻訳完了
• 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

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Ethical considerations of use of hold-out sets in clinical prediction model management [0.4194295877935868]
  我々は、善意、非正当性、自律性、正義の倫理的原則に焦点をあてる。 また,様々なホールドアウトセットサンプリング手法による統計的問題についても論じる。
  論文  参考訳（メタデータ） (2024-06-05T11:42:46Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
  本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。 死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
  論文  参考訳（メタデータ） (2022-07-06T19:49:42Z)
• 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)
• 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)
• 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)

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。