論文の概要: Machine learning approach to dynamic risk modeling of mortality in
COVID-19: a UK Biobank study
- arxiv url: http://arxiv.org/abs/2104.09226v1
- Date: Mon, 19 Apr 2021 11:51:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:30:19.604550
- Title: Machine learning approach to dynamic risk modeling of mortality in
COVID-19: a UK Biobank study
- Title（参考訳）: 機械学習によるcovid-19死亡率の動的リスクモデリング--英国バイオバンクによる研究
- Authors: Mohammad A. Dabbah, Angus B. Reed, Adam T.C. Booth, Arrash Yassaee,
Alex Despotovic, Benjamin Klasmer, Emily Binning, Mert Aral, David Plans,
Alain B. Labrique, Diwakar Mohan
- Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックは、高リスク患者の階層化を支援する堅牢でスケーラブルなモニタリングツールを緊急に必要としてきた。
本研究は、英国バイオバンクを用いた予測モデルを開発し、検証し、新型コロナウイルスの死亡リスクを推定することを目的とする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The COVID-19 pandemic has created an urgent need for robust, scalable
monitoring tools supporting stratification of high-risk patients. This research
aims to develop and validate prediction models, using the UK Biobank, to
estimate COVID-19 mortality risk in confirmed cases. From the 11,245
participants testing positive for COVID-19, we develop a data-driven random
forest classification model with excellent performance (AUC: 0.91), using
baseline characteristics, pre-existing conditions, symptoms, and vital signs,
such that the score could dynamically assess mortality risk with disease
deterioration. We also identify several significant novel predictors of
COVID-19 mortality with equivalent or greater predictive value than established
high-risk comorbidities, such as detailed anthropometrics and prior acute
kidney failure, urinary tract infection, and pneumonias. The model design and
feature selection enables utility in outpatient settings. Possible applications
include supporting individual-level risk profiling and monitoring disease
progression across patients with COVID-19 at-scale, especially in
hospital-at-home settings.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、高リスク患者の階層化を支援する堅牢でスケーラブルなモニタリングツールを緊急に必要としてきた。
本研究は、英国バイオバンクを用いた予測モデルを開発し、検証し、新型コロナウイルスの死亡リスクを推定することを目的とする。
新型コロナウイルス陽性者11,245名から,基礎的特徴,既往の状態,症状,生命徴候を用いて,優れた性能(auc: 0.91)を有するデータ駆動ランダム林分類モデルを開発し,死亡リスクを動的に評価した。
また, 詳細な人文科学, 早期急性腎不全, 尿路感染症, 肺炎など, 既往の高リスクコモビディティよりも, 同等あるいは高い予測値で, 新型コロナウイルス死亡の予測因子を多数同定した。
モデル設計と特徴選択により、外来での利用が可能となる。
考えられるアプリケーションには、個人レベルのリスクプロファイリングのサポートや、新型コロナウイルス(covid-19)の大規模患者、特に在宅病院における病気の進行状況の監視などが含まれる。
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) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Hospital transfer risk prediction for COVID-19 patients from a
medicalized hotel based on Diffusion GraphSAGE [7.021489981474361]
台湾では、軽度または軽度症状のある新型コロナウイルス患者の隔離施設として医療ホテルが開設された。
これらのホテルで利用可能な医療が限られているため、臨床劣化のリスクがある患者を特定することが最重要である。
本研究は, 医用ホテルにおける進行病院転院リスク予測のためのグラフベース深層学習手法の開発と評価を目的とした。
論文 参考訳（メタデータ） (2022-12-31T14:59:35Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - 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) - 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) - Predicting Patient COVID-19 Disease Severity by means of Statistical and
Machine Learning Analysis of Blood Cell Transcriptome Data [3.5699804146136676]
患者末梢血のデータを用いて臨床結果を予測する方法について検討した。
本研究は, 健常人と陽性患者とを鑑別し, 血液検査で測定可能な臨床パラメータをいくつか明らかにした。
そこで我々は,90%以上の重症度と死亡率予測の精度と精度を示す分析手法を多数開発した。
論文 参考訳（メタデータ） (2020-11-19T10:32:46Z) - 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) - Real-time Prediction of COVID-19 related Mortality using Electronic
Health Records [30.892335739985526]
新型コロナウイルス早期警戒システム(CovEWS)は、新型コロナウイルス関連死亡リスクを評価する臨床リスクスコアシステムである。
CovEWSは、臨床的に有意な予測パフォーマンスを持つ個々の患者に対して、前もって192時間(8日)まで、継続的なリアルタイムリスクスコアを提供する。
論文 参考訳（メタデータ） (2020-08-31T08:07:27Z) - 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) - An early warning tool for predicting mortality risk of COVID-19 patients
using machine learning [0.0]
2020年1月10日から2月18日にかけて、東寺病院(中国)に入院した375人の新型コロナウイルス陽性患者を対象に、振り返り調査を行った。
新型コロナウイルス患者の死亡リスクを予測するため,ノモグラムが開発された。
総合スコア(LNLCA)を対応する死亡確率で算出した。
論文 参考訳（メタデータ） (2020-07-29T15:16:09Z)
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。