論文の概要: A causal learning framework for the analysis and interpretation of COVID-19 clinical data

• arxiv url: http://arxiv.org/abs/2105.06998v1
• Date: Fri, 14 May 2021 15:58:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 06:28:50.288840
• Title: A causal learning framework for the analysis and interpretation of COVID-19 clinical data
• Title（参考訳）: COVID-19臨床データの分析と解釈のための因果学習フレームワーク
• Authors: Elisa Ferrari, Luna Gargani, Greta Barbieri, Lorenzo Ghiadoni, Francesco Faita, Davide Bacciu
• Abstract要約: ワークフローは、BSLを通じて患者の結果の主な原因を特定する、多段階のアプローチから成り立っている。 特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。 対象者の85%の結果を3つの特徴のみに基づいて正確に予測する手法を考案した。
• 参考スコア（独自算出の注目度）: 7.256237785391623
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present a workflow for clinical data analysis that relies on Bayesian Structure Learning (BSL), an unsupervised learning approach, robust to noise and biases, that allows to incorporate prior medical knowledge into the learning process and that provides explainable results in the form of a graph showing the causal connections among the analyzed features. The workflow consists in a multi-step approach that goes from identifying the main causes of patient's outcome through BSL, to the realization of a tool suitable for clinical practice, based on a Binary Decision Tree (BDT), to recognize patients at high-risk with information available already at hospital admission time. We evaluate our approach on a feature-rich COVID-19 dataset, showing that the proposed framework provides a schematic overview of the multi-factorial processes that jointly contribute to the outcome. We discuss how these computational findings are confirmed by current understanding of the COVID-19 pathogenesis. Further, our approach yields to a highly interpretable tool correctly predicting the outcome of 85% of subjects based exclusively on 3 features: age, a previous history of chronic obstructive pulmonary disease and the PaO2/FiO2 ratio at the time of arrival to the hospital. The inclusion of additional information from 4 routine blood tests (Creatinine, Glucose, pO2 and Sodium) increases predictive accuracy to 94.5%.
• Abstract（参考訳）: 本稿では,ベイズ構造学習(bayesian structure learning, bsl)に基づく臨床データ解析のワークフローを提案する。これは,ノイズやバイアスに頑健な教師なし学習アプローチであり,事前の医学的知識を学習プロセスに組み込むことができ,分析された特徴間の因果関係を示すグラフ形式で説明可能な結果を提供する。 このワークフローは、BSLによる患者の結果の主な原因の特定から、BDT(Binary Decision Tree)に基づいた臨床実践に適したツールの実現に至るまでの多段階のアプローチで構成され、病院入所時に既に利用可能な情報で高リスクの患者を認識する。 特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。 本研究は、現在の新型コロナウイルスの病因の理解によって、これらの計算結果がどのように確認されるかについて論じる。 さらに, 年齢, 慢性閉塞性肺疾患の既往歴, 入院時のpao2/fio2比の3つの特徴から, 対象者の85%の結果を正確に予測できるツールが提案されている。 4つの血液検査(クレアチニン、グルコース、po2、ナトリウム)から追加情報を含めると、予測精度は94.5%に上昇する。

関連論文リスト

• Enhancing Readmission Prediction with Deep Learning: Extracting Biomedical Concepts from Clinical Texts [0.26813152817733554]
  本研究は,30日以内の患者の寛解をテキストマイニング技術を用いて予測することに焦点を当てた。 この目的のために分類モデルを開発するために,様々な機械学習および深層学習手法が用いられた。
  論文  参考訳（メタデータ） (2024-03-12T09:03:44Z)
• Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
  ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。 AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
  論文  参考訳（メタデータ） (2024-02-16T18:51:42Z)
• Assessing the impact of emergency department short stay units using length-of-stay prediction and discrete event simulation [1.0822676139724565]
  救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。 我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
  論文  参考訳（メタデータ） (2023-08-04T22:26:02Z)
• 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)
• Mortality Prediction with Adaptive Feature Importance Recalibration for Peritoneal Dialysis Patients: a deep-learning-based study on a real-world longitudinal follow-up dataset [19.7915762858399]
  終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである 本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。 本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
  論文  参考訳（メタデータ） (2023-01-17T13:17:54Z)
• 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)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• 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)
• 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)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)

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。