論文の概要: Development of an accessible 10-year Digital CArdioVAscular (DiCAVA)
risk assessment: a UK Biobank study
- arxiv url: http://arxiv.org/abs/2104.10079v1
- Date: Tue, 20 Apr 2021 16:01:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 13:33:42.757348
- Title: Development of an accessible 10-year Digital CArdioVAscular (DiCAVA)
risk assessment: a UK Biobank study
- Title（参考訳）: 10年間のDigital CArdioVAscular(DiCAVA)リスクアセスメントの開発:英国のバイオバンクによる研究
- Authors: Nikola Dolezalova, Angus B. Reed, Alex Despotovic, Bernard Dillon
Obika, Davide Morelli, Mert Aral, David Plans
- Abstract要約: 目標は、統計的および機械学習技術を使用して新しいリスクモデル(DiCAVA)を開発することであった。
第二の目標は、CVDリスクアセスメントに組み込むことができる新しい患者中心変数を特定することでした。
- 参考スコア（独自算出の注目度）: 0.46180371154032895
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: Cardiovascular diseases (CVDs) are among the leading causes of
death worldwide. Predictive scores providing personalised risk of developing
CVD are increasingly used in clinical practice. Most scores, however, utilise a
homogenous set of features and require the presence of a physician.
Objective: The aim was to develop a new risk model (DiCAVA) using statistical
and machine learning techniques that could be applied in a remote setting. A
secondary goal was to identify new patient-centric variables that could be
incorporated into CVD risk assessments.
Methods: Across 466,052 participants, Cox proportional hazards (CPH) and
DeepSurv models were trained using 608 variables derived from the UK Biobank to
investigate the 10-year risk of developing a CVD. Data-driven feature selection
reduced the number of features to 47, after which reduced models were trained.
Both models were compared to the Framingham score.
Results: The reduced CPH model achieved a c-index of 0.7443, whereas DeepSurv
achieved a c-index of 0.7446. Both CPH and DeepSurv were superior in
determining the CVD risk compared to Framingham score. Minimal difference was
observed when cholesterol and blood pressure were excluded from the models
(CPH: 0.741, DeepSurv: 0.739). The models show very good calibration and
discrimination on the test data.
Conclusion: We developed a cardiovascular risk model that has very good
predictive capacity and encompasses new variables. The score could be
incorporated into clinical practice and utilised in a remote setting, without
the need of including cholesterol. Future studies will focus on external
validation across heterogeneous samples.
- Abstract（参考訳）: 背景: 心臓血管疾患(CVD)は、世界中の死因の1つである。
CVDを発症する個人化されたリスクを提供する予測スコアは、臨床実践においてますます用いられる。
しかし、ほとんどのスコアは均質な特徴のセットを利用し、医師の存在を必要とする。
目的: リモート環境で適用可能な統計的および機械学習技術を用いた新しいリスクモデル(DiCAVA)を開発することを目的とした。
2つ目の目標は、新たな患者中心変数をCVDリスクアセスメントに組み込むことであった。
方法:466,052人,コックス比例ハザード(CPH)モデル,DeepSurvモデルに対して,英国バイオバンクから派生した608変数を用いたCVD開発10年間のリスク調査を行った。
データ駆動型の特徴選択により機能数は47に削減され、モデルがトレーニングされた。
どちらのモデルもフラミンガム・スコアと比較された。
結果: CPHモデルではc-indexが0.7443、DeepSurvではc-indexが0.7446となった。
CPHとDeepSurvはFraminghamのスコアと比較してCVDのリスクを判定する上で優れていた。
CPH: 0.741, DeepSurv: 0.739) からコレステロールと血圧を除いた場合, 最小差が認められた。
モデルでは、テストデータに対するキャリブレーションと差別が極めて良好である。
結論: 予測能力が非常に良好で新しい変数を包含する心血管リスクモデルを開発した。
スコアは臨床に組み込むことができ、コレステロールを含む必要なしに遠隔で使用できる。
今後の研究は異種サンプル間の外部検証に焦点をあてる。
関連論文リスト
- Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission [9.719996519981333]
コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。
症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。
C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
論文 参考訳（メタデータ） (2024-03-04T10:46:02Z) - 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) - DeepCOVID-Fuse: A Multi-modality Deep Learning Model Fusing Chest
X-Radiographs and Clinical Variables to Predict COVID-19 Risk Levels [8.593516170110203]
DeepCOVID-Fuseは、新型コロナウイルス患者のリスクレベルを予測するディープラーニング融合モデルである。
CXRと臨床変数で訓練されたDeepCOVID-Fuseの精度は0.658であり、AUCは0.842である。
論文 参考訳（メタデータ） (2023-01-20T20:54:25Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - 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) - Identifying Ventricular Arrhythmias and Their Predictors by Applying
Machine Learning Methods to Electronic Health Records in Patients With
Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model) [0.3811495093928132]
心室性不整脈(VAr)を有する肥大型心筋症患者を臨床的属性を用いて同定するための機械学習の最初の応用である。
臨床的変数は93例, VArは22例であった。
提案手法では,確立した10個のSCD予測器に加えて,12個の新しいVAr予測器を同定した。
論文 参考訳（メタデータ） (2021-09-19T20:11:07Z) - Development of a dynamic type 2 diabetes risk prediction tool: a UK
Biobank study [0.8620335948752806]
英国バイオバンクデータセットの301機能を用いて10年間の2型糖尿病リスクスコアを算出した。
Cox比例ハザードモデルは、同じ特徴を使ってトレーニングされたDeepSurvモデルをわずかに上回った。
このツールは、2型糖尿病のリスクのある患者の臨床スクリーニングや患者のエンパワーメントの促進に使用できる。
論文 参考訳（メタデータ） (2021-04-20T16:37:26Z) - Predicting cardiovascular risk from national administrative databases
using a combined survival analysis and deep learning approach [0.3463527836552467]
本研究では,従来のコックス比例ハザードモデル(CPH)を用いた生存分析モデルのディープラーニング拡張性能の比較を行った。
深層学習モデルは、説明された時間対イベントの発生率に基づいてCPHモデルよりも有意に優れていた。
深層学習モデルは、解釈可能なCVDリスク予測方程式を導出するために、大規模な健康管理データベースに適用することができる。
論文 参考訳（メタデータ） (2020-11-28T00:10:25Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。