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
- XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳(メタデータ) (2023-12-29T14:28:04Z) - Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or
Decease of COVID-19 Patients with Clinical and RT-PCR [0.3013529669049775]
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) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳(メタデータ) (2023-08-24T05:26:56Z) - 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) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳(メタデータ) (2023-02-11T18:07:11Z) - 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) - 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。