論文の概要: VIRDOC: Statistical and Machine Learning by a VIRtual DOCtor to Predict Dengue Fatality

• arxiv url: http://arxiv.org/abs/2104.14282v1
• Date: Thu, 29 Apr 2021 12:06:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 12:42:56.212171
• Title: VIRDOC: Statistical and Machine Learning by a VIRtual DOCtor to Predict Dengue Fatality
• Title（参考訳）: VIRDOC:デング死亡率予測のための仮想DOCによる統計的および機械学習
• Authors: Amit K Chattopadhyay and Subhagata Chattopadhyay
• Abstract要約: 臨床医は、流行の治療において患者の徴候や症状を検査することで定期的な診断を行う。 治療体制の成功は、臨床医が流行の強力な原因をランク付けし、持続的な封じ込め戦略を策定するための相互依存を分析することに基づいて、そのような徴候症状の解釈の正確さに主に依存します。 本研究は,伝染病の主要な病原菌を自己整合的にランク付けし,統計モデルと機械学習の言語を用いて感染症の病期を正しく同定する仮想医師(virdoc)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinicians conduct routine diagnosis by scrutinizing signs and symptoms of patients in treating epidemics. This skill evolves through trial-and-error and improves with time. The success of the therapeutic regimen relies largely on the accuracy of interpretation of such sign-symptoms, based on which the clinician ranks the potent causes of the epidemic and analyzes their interdependence to devise sustainable containment strategies. This study proposed an alternative medical front, a VIRtual DOCtor (VIRDOC), that can self-consistently rank key contributors of an epidemic and also correctly identify the infection stage, using the language of statistical modelling and Machine Learning. VIRDOC analyzes medical data and then translates these into a vector comprising Multiple Linear Regression (MLR) coefficients to probabilistically predict scores that compare with clinical experience-based assessment. The VIRDOC algorithm, risk managed through ANOVA, has been tested on dengue epidemic data (N=100 with 11 weighted sign-symptoms). Results highly encouraging with ca 75% accurate fatality prediction, compared to 71.4% from traditional diagnosis. The algorithm can be generically extended to analyze other epidemic forms.
• Abstract（参考訳）: 臨床医は、流行の治療において患者の徴候や症状を検査することで定期的な診断を行う。 このスキルは試行錯誤を通じて進化し、時間とともに改善される。 治療体制の成功は、臨床医が伝染病の強力な原因をランク付けし、持続的な封じ込め戦略を考案するための相互依存を分析することに基づく、このようなサインシンプトムの解釈の正確さに大きく依存している。 本研究は,伝染病の主要な病原菌を自己整合的にランク付けし,統計モデルと機械学習の言語を用いて感染症の病期を正しく同定する仮想医師(virdoc)を提案する。 VIRDOCは医療データを分析し、それらを複数の線形回帰(MLR)係数からなるベクトルに変換し、臨床経験に基づく評価と比較して確率的にスコアを予測する。 ANOVAによるリスク管理であるVIRDOCアルゴリズムはデング流行データ(11の重み付きサイン症状を持つN=100)でテストされている。 従来の診断では71.4%であったのに対し、正確な死亡率予測は75%であった。 このアルゴリズムは、他の流行形態を解析するために汎用的に拡張することができる。

関連論文リスト

• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
  10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
  論文  参考訳（メタデータ） (2024-10-02T03:21:01Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Can Machine Learning Assist in Diagnosis of Primary Immune Thrombocytopenia? A feasibility study [12.4123972735841]
  原発性免疫性血小板減少症(ITP)は末梢血血小板の免疫学的破壊を特徴とする稀な自己免疫疾患である。 疾患を確認するための確立された検査はなく、治療と結果に対する反応を予測できるバイオマーカーも存在しない。 日常的な血液検査と人口統計データを用いて, 機械学習をIPPの診断に効果的に適用できるかどうかを, 非急性外来で検討する。
  論文  参考訳（メタデータ） (2024-05-31T01:04:46Z)
• Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients [1.0874223087191939]
  本研究の目的は,深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討することである。 臨床およびRT-PCRがどちらが信頼性が高いかを予測するための予測に与える影響について検討した。 その結果, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-23T11:21:40Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• 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)
• 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)
• 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。