論文の概要: Predicting sepsis in multi-site, multi-national intensive care cohorts using deep learning

• arxiv url: http://arxiv.org/abs/2107.05230v1
• Date: Mon, 12 Jul 2021 07:21:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-07-13 15:52:02.745530
• Title: Predicting sepsis in multi-site, multi-national intensive care cohorts using deep learning
• Title（参考訳）: 深層学習を用いた多地点多国籍医療コホートにおける敗血症予測
• Authors: Michael Moor, Nicolas Bennet, Drago Plecko, Max Horn, Bastian Rieck, Nicolai Meinshausen, Peter B\"uhlmann, Karsten Borgwardt
• Abstract要約: ICUにおける敗血症予測のための機械学習(ML)システムの開発と検証を行った。 我々の分析はMLを用いた敗血症予測のための多国間多中心ICU研究としては最大である。
• 参考スコア（独自算出の注目度）: 12.63135352255575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite decades of clinical research, sepsis remains a global public health crisis with high mortality, and morbidity. Currently, when sepsis is detected and the underlying pathogen is identified, organ damage may have already progressed to irreversible stages. Effective sepsis management is therefore highly time-sensitive. By systematically analysing trends in the plethora of clinical data available in the intensive care unit (ICU), an early prediction of sepsis could lead to earlier pathogen identification, resistance testing, and effective antibiotic and supportive treatment, and thereby become a life-saving measure. Here, we developed and validated a machine learning (ML) system for the prediction of sepsis in the ICU. Our analysis represents the largest multi-national, multi-centre in-ICU study for sepsis prediction using ML to date. Our dataset contains $156,309$ unique ICU admissions, which represent a refined and harmonised subset of five large ICU databases originating from three countries. Using the international consensus definition Sepsis-3, we derived hourly-resolved sepsis label annotations, amounting to $26,734$ ($17.1\%$) septic stays. We compared our approach, a deep self-attention model, to several clinical baselines as well as ML baselines and performed an extensive internal and external validation within and across databases. On average, our model was able to predict sepsis with an AUROC of $0.847 \pm 0.050$ (internal out-of sample validation) and $0.761 \pm 0.052$ (external validation). For a harmonised prevalence of $17\%$, at $80\%$ recall our model detects septic patients with $39\%$ precision 3.7 hours in advance.
• Abstract（参考訳）: 数十年にわたる臨床研究にもかかわらず、敗血症は高い死亡率と死傷率を持つ世界的な公衆衛生危機である。 現在、敗血症が検出され、病原体が同定されたとき、臓器損傷はすでに不可逆の段階まで進行していた可能性がある。 したがって、効果的な敗血症管理は時間に敏感である。 集中治療室(ICU)で利用可能な臨床データの多元的傾向を体系的に分析することにより、敗血症の早期予測は、早期の病原体同定、耐性試験、効果的な抗生物質および支持療法につながり、生命維持の指標となる。 そこで我々は、ICUにおける敗血症予測のための機械学習(ML)システムを開発し、検証した。 我々の分析はMLを用いた敗血症予測のための多国間多中心ICU研究としては最大である。 我々のデータセットには56,309ドルのユニークなICU入場料が含まれており、3つの国から派生した5つの大きなICUデータベースの洗練され調和したサブセットを表している。 Sepsis-3の国際的コンセンサス定義を用いて、時間ごとに解決されたセプシスのラベルアノテーションを導出した。 我々は,深層自己注意モデルであるアプローチを,MLベースラインだけでなくいくつかの臨床ベースラインと比較し,データベース内およびデータベース間の広範な内部および外部検証を行った。 平均して、我々のモデルは0.847 \pm 0.050$(内部的なサンプル検証)と0.761 \pm 0.052$(外部検証)で敗血症を予測することができた。 調和した17\%の精度で、80\%のリコールで、我々のモデルは、前もって39\%の精度3.7時間の敗血症患者を検出する。

関連論文リスト

• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• Vital Sign Forecasting for Sepsis Patients in ICUs [5.543372375499915]
  本稿では,最先端のディープラーニング(DL)アーキテクチャを用いて,多段階予測システムを提案する。 我々は,過去6時間のデータから,今後3時間分のバイタルサインを予測できるDLベースのバイタルサイン予測システムを導入する。 平均二乗誤差 (MSE) と動的時間歪み (DTW) 測定値を用いて, モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2023-11-08T15:47:58Z)
• NPRL: Nightly Profile Representation Learning for Early Sepsis Onset Prediction in ICU Trauma Patients [5.476582906474746]
  セプシス(Sepsis)は、感染の有無に応じて体内で発症する症候群である。 現在の機械学習アルゴリズムは性能が悪く、早期のセプシスの開始を予測できない。 我々は,前夜に収集した最新のデータを用いて,毎朝の敗血症を予測できる新しい,現実的な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-25T11:27:27Z)
• 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)
• ALRt: An Active Learning Framework for Irregularly Sampled Temporal Data [1.370633147306388]
  セプシスは病院内の多くの患者に致命的な症状である。 本稿では, 短時間の時間的地平線に対するアクティブラーニング・リカレントニューラルネットワーク(ALRts)の利用により, セプシスなどの不規則な時間的事象の予測を改善することを提案する。 限られたデータに基づいてトレーニングされたアクティブラーニングRNNモデルは、トレーニングデータセット全体を用いたモデルに匹敵する堅牢なセシス予測を形成することができることを示す。
  論文  参考訳（メタデータ） (2022-12-13T04:31:49Z)
• Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis [10.791880225915255]
  セプシスはICU (Intensive Care Units) の主要な死因である。 早期敗血症予測のためのマルチモーダル変圧器モデルを提案する。 ICU入院後36ドル以内の患者に対して, 生理的時系列データと臨床記録を用いて検討した。
  論文  参考訳（メタデータ） (2022-03-28T03:19:03Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Improving Early Sepsis Prediction with Multi Modal Learning [5.129463113166068]
  臨床テキストは、敗血症の重症度を推定するために必要な情報を提供する。 Amazon Comprehend MedicalではBERTのような最先端のNLPモデルと高度に専門化されたNLPモデルを用いてテキストを表現している。 本手法は, セプシス予測のためのPhystoNet Computing in Cardiology Challengeの勝利モデルとともに, 専門医であるqSOFAが提案する臨床基準を著しく上回っている。
  論文  参考訳（メタデータ） (2021-07-23T09:25:31Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。