論文の概要: Predicting Clinical Deterioration in Hospitals

• arxiv url: http://arxiv.org/abs/2102.05856v1
• Date: Thu, 11 Feb 2021 06:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-12 19:50:15.042349
• Title: Predicting Clinical Deterioration in Hospitals
• Title（参考訳）: 病院における臨床劣化予測
• Authors: Laleh Jalali, Hsiu-Khuern Tang, Richard H. Goldstein, Joaqun Alvarez Rodrguez
• Abstract要約: 電子カルテに機械学習を適用し,患者が臨床劣化のリスクがあるかどうかを推定する。 成功すれば、病院は我々のアプローチを既存のITシステムに統合し、モデルによって生成されたアラートを使用して、ICU転送、心停止、または死を防ぐことができる。
• 参考スコア（独自算出の注目度）: 0.8329456268842225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Responding rapidly to a patient who is demonstrating signs of imminent clinical deterioration is a basic tenet of patient care. This gave rise to a patient safety intervention philosophy known as a Rapid Response System (RRS), whereby a patient who meets a pre-determined set of criteria for imminent clinical deterioration is immediately assessed and treated, with the goal of mitigating the deterioration and preventing intensive care unit (ICU) transfer, cardiac arrest, or death. While RRSs have been widely adopted, multiple systematic reviews have failed to find evidence of their effectiveness. Typically, RRS criteria are simple, expert (consensus) defined rules that identify significant physiologic abnormalities or are based on clinical observation. If one can find a pattern in the patient's data earlier than the onset of the physiologic derangement manifest in the current criteria, intervention strategies might be more effective. In this paper, we apply machine learning to electronic medical records (EMR) to infer if patients are at risk for clinical deterioration. Our models are more sensitive and offer greater advance prediction time compared with existing rule-based methods that are currently utilized in hospitals. Our results warrant further testing in the field; if successful, hospitals can integrate our approach into their existing IT systems and use the alerts generated by the model to prevent ICU transfer, cardiac arrest, or death, or to reduce the ICU length of stay.
• Abstract（参考訳）: 差し迫った臨床劣化の兆候を示す患者に迅速に反応することは、患者ケアの基本的な要素である。 これにより、早期対応システム(rapid response system, rrs)として知られる患者の安全介入哲学が生まれ、即座臨床悪化の判定基準を満たした患者は、その劣化を緩和し、集中治療ユニット(icu)の移送、心停止、または死亡を予防することを目標として、直ちに評価・治療される。 RRSは広く採用されているが、複数の体系的なレビューではその効果の証拠が見つからなかった。 通常、RSの基準は単純であり、専門家(合意)は重要な生理的異常を特定するか、臨床観察に基づく規則を定義している。 もし、現在の基準における生理的ずれの出現よりも早く患者のデータの中にパターンを見つけることができれば、介入戦略はより効果的であるかもしれない。 本稿では,emr(electronic medical records)に機械学習を適用し,患者が臨床劣化のリスクがあるかどうかを推定する。 当モデルでは,現在病院で用いられている既存のルールベース手法と比較して,より感度が高く,事前予測時間も高い。 成功すれば、病院は既存のITシステムに私たちのアプローチを統合し、モデルによって生成されたアラートを使用してICUの転送、心停止、または死亡を防ぎ、ICUの滞在期間を短縮することができます。

関連論文リスト

• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Machine Learning to Support Triage of Children at Risk for Epileptic Seizures in the Pediatric Intensive Care Unit [5.708335717084799]
  小児集中治療室(PICU)に入院した小児はてんかん発作が比較的多い PICU内の発作の危険と判断された小児は、連続脳波(cEEG)を用いてモニタリングされる 本研究の目的は、重篤児の発作リスク評価を改善するためのコンピュータ支援ツールを開発することである。
  論文  参考訳（メタデータ） (2022-05-11T10:24:58Z)
• COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
  患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。 提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。 定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
  論文  参考訳（メタデータ） (2021-09-14T14:16:32Z)
• Synthesizing time-series wound prognosis factors from electronic medical records using generative adversarial networks [0.0]
  創傷予後因子を合成するためにgans(time series medical generative adversarial networks)を開発した。 条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。
  論文  参考訳（メタデータ） (2021-05-03T20:26:48Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Parkland Trauma Index of Mortality (PTIM): Real-time Predictive Model for PolyTrauma Patients [0.0]
  Parkland Trauma Index of Mortality (PTIM)は、電子カルテ(EMR)データを用いて死亡率を予測する機械学習アルゴリズムである。 モデルは毎時更新され、外傷に対する患者の生理的反応とともに進化する。 入院早期のポリトラウマ患者の臨床的意思決定に有用なツールかもしれない。
  論文  参考訳（メタデータ） (2020-10-07T20:34:03Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic for Interpretable Prognosis [20.701122594508675]
  新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。 CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。 実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
  論文  参考訳（メタデータ） (2020-07-17T09:20:56Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。