論文の概要: Predicting Intensive Care Unit Length of Stay and Mortality Using
Patient Vital Signs: Machine Learning Model Development and Validation
- arxiv url: http://arxiv.org/abs/2105.04414v1
- Date: Wed, 5 May 2021 18:45:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 06:19:18.563300
- Title: Predicting Intensive Care Unit Length of Stay and Mortality Using
Patient Vital Signs: Machine Learning Model Development and Validation
- Title（参考訳）: 患者バイタルサインを用いた集中治療単位長と死亡率の予測--機械学習モデルの開発と検証
- Authors: Khalid Alghatani, Nariman Ammar, Abdelmounaam Rezgui, Arash
Shaban-Nejad
- Abstract要約: モデルは、インテリジェントな遠隔患者監視フレームワークのインテリジェントなicu患者監視モジュールで使用される。
集中治療(mimic)データベースのための公開医療情報マートを用いて,成人患者に対するicu滞在データを抽出した。
死亡率モデルに6mlアルゴリズムを適用して退院状況(生存の有無)の予測を行った。
滞在モデルの長さについて,2.64日間の中央値のICU滞在率を用いて,同じ6つのMLアルゴリズムをバイナリ分類に適用した。
- 参考スコア（独自算出の注目度）: 0.22940141855172028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Patient monitoring is vital in all stages of care. We here report the
development and validation of ICU length of stay and mortality prediction
models. The models will be used in an intelligent ICU patient monitoring module
of an Intelligent Remote Patient Monitoring (IRPM) framework that monitors the
health status of patients, and generates timely alerts, maneuver guidance, or
reports when adverse medical conditions are predicted. We utilized the publicly
available Medical Information Mart for Intensive Care (MIMIC) database to
extract ICU stay data for adult patients to build two prediction models: one
for mortality prediction and another for ICU length of stay. For the mortality
model, we applied six commonly used machine learning (ML) binary classification
algorithms for predicting the discharge status (survived or not). For the
length of stay model, we applied the same six ML algorithms for binary
classification using the median patient population ICU stay of 2.64 days. For
the regression-based classification, we used two ML algorithms for predicting
the number of days. We built two variations of each prediction model: one using
12 baseline demographic and vital sign features, and the other based on our
proposed quantiles approach, in which we use 21 extra features engineered from
the baseline vital sign features, including their modified means, standard
deviations, and quantile percentages. We could perform predictive modeling with
minimal features while maintaining reasonable performance using the quantiles
approach. The best accuracy achieved in the mortality model was approximately
89% using the random forest algorithm. The highest accuracy achieved in the
length of stay model, based on the population median ICU stay (2.64 days), was
approximately 65% using the random forest algorithm.
- Abstract（参考訳）: 患者のモニタリングはあらゆるケアにおいて不可欠です。
本稿では、滞在時間と死亡率予測モデルの開発と検証について報告する。
モデルは、Intelligent Remote patient Monitoring (IRPM)フレームワークのインテリジェントICU患者監視モジュールで使用され、患者の健康状態を監視し、悪質な医療状況が予測されたときにタイムリーなアラート、操作ガイダンス、レポートを生成する。
集中治療(mimic)データベースのための公開医療情報マートを用いて,成人患者に対するicu滞在データ抽出を行い,死亡予測モデルとicu滞在時間予測モデルの2つの予測モデルを構築した。
死亡率モデルでは,6つの機械学習(ML)バイナリ分類アルゴリズムを適用し,退院状況(生存の有無)を予測した。
滞在時間モデルでは,平均2.64日間のicu滞在率を用いて,同じ6mlアルゴリズムをバイナリ分類に適用した。
回帰に基づく分類では,2つのMLアルゴリズムを用いて日数を予測する。
1つはベースライン人口統計学的特徴とバイタルサイン特徴を用いており、もう1つは提案した量子的アプローチに基づいており、そこではベースラインのバイタルサイン特徴から構築された21の付加的特徴(修正手段、標準偏差、量子的パーセンテージ)を用いている。
quantilesアプローチを使って、合理的なパフォーマンスを維持しながら、最小限の機能で予測モデリングを実行できる。
死亡率モデルで得られた最高精度はランダムフォレストアルゴリズムを用いて約89%であった。
人口中央値のICU滞在(2.64日)に基づいて、滞在モデルで達成された最高精度は、ランダム森林アルゴリズムを用いて、およそ65%であった。
関連論文リスト
- A multi-cohort study on prediction of acute brain dysfunction states
using selective state space models [12.0129301272171]
急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。
本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。
既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。
ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
論文 参考訳（メタデータ） (2024-03-11T22:58:11Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - MedLens: Improve Mortality Prediction Via Medical Signs Selecting and
Regression [4.43322868663347]
データ品質の問題については文献では議論されていない。
我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。
精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
論文 参考訳（メタデータ） (2023-05-19T15:28:02Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳（メタデータ） (2021-12-01T13:56:27Z) - EventScore: An Automated Real-time Early Warning Score for Clinical
Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。
このモデルは2つのデータセットと4つの臨床イベントで評価される。
私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文 参考訳（メタデータ） (2021-02-11T11:55:08Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - 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) - 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) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。