論文の概要: Prediction of Blood Lactate Values in Critically Ill Patients: A
Retrospective Multi-center Cohort Study
- arxiv url: http://arxiv.org/abs/2107.07582v1
- Date: Wed, 7 Jul 2021 09:46:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-25 11:56:42.533955
- Title: Prediction of Blood Lactate Values in Critically Ill Patients: A
Retrospective Multi-center Cohort Study
- Title(参考訳): 重症心不全患者の血中乳酸値の予測:多施設コホート研究
- Authors: Behrooz Mamandipoor, Wesley Yeung, Louis Agha-Mir-Salim, David J.
Stone, Venet Osmani, Leo Anthony Celi
- Abstract要約: 早期に得られた血清乳酸濃度の上昇は、重症患者の死亡率の強力な予測因子である。
機械学習モデルがその後の乳酸血清の変化を予測できるかどうかを検討した。
LSTMモデルはMIMIC-III患者の血清乳酸値の低下を予測できた。
- 参考スコア(独自算出の注目度): 1.5239522480830854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose. Elevations in initially obtained serum lactate levels are strong
predictors of mortality in critically ill patients. Identifying patients whose
serum lactate levels are more likely to increase can alert physicians to
intensify care and guide them in the frequency of tending the blood test. We
investigate whether machine learning models can predict subsequent serum
lactate changes.
Methods. We investigated serum lactate change prediction using the MIMIC-III
and eICU-CRD datasets in internal as well as external validation of the eICU
cohort on the MIMIC-III cohort. Three subgroups were defined based on the
initial lactate levels: i) normal group (<2 mmol/L), ii) mild group (2-4
mmol/L), and iii) severe group (>4 mmol/L). Outcomes were defined based on
increase or decrease of serum lactate levels between the groups. We also
performed sensitivity analysis by defining the outcome as lactate change of
>10% and furthermore investigated the influence of the time interval between
subsequent lactate measurements on predictive performance.
Results. The LSTM models were able to predict deterioration of serum lactate
values of MIMIC-III patients with an AUC of 0.77 (95% CI 0.762-0.771) for the
normal group, 0.77 (95% CI 0.768-0.772) for the mild group, and 0.85 (95% CI
0.840-0.851) for the severe group, with a slightly lower performance in the
external validation.
Conclusion. The LSTM demonstrated good discrimination of patients who had
deterioration in serum lactate levels. Clinical studies are needed to evaluate
whether utilization of a clinical decision support tool based on these results
could positively impact decision-making and patient outcomes.
- Abstract(参考訳): 目的。
乳酸血清中の乳酸濃度の上昇は重症患者の死亡率の強力な予測因子である。
乳酸値が上昇する可能性が高くなる患者を特定することで、医師に注意を喚起し、血液検査の頻度を誘導することができる。
機械学習モデルがその後の乳酸血清の変化を予測できるかどうかを検討する。
方法。
MIMIC-IIIおよびeICU-CRDデータセットを用いた血清乳酸変化予測と,MIMIC-IIIコホート上のeICUコホートの外的検証を行った。
乳酸初期濃度は, 正常群 (2 mmol/L), 軽群 (2-4 mmol/L), 重群 (>4 mmol/L) の3群に分類された。
結果は, 群間での乳酸値の上昇または低下に基づいて決定された。
また, ラクテート変化を10%以上と定義して感度解析を行い, その後のラクテート測定値間の時間間隔が予測性能に及ぼす影響についても検討した。
結果。
LSTMモデルでは,健常群が0.77(95% CI 0.762-0.771),軽度群が0.77(95% CI 0.768-0.772),重度群が0.85(95% CI 0.840-0.851),外的妥当性がわずかに低下したMIC-III患者の血清乳酸値の低下を予測できた。
結論。
lstmは血清乳酸値が低下した患者に対して良好な識別率を示した。
これらの結果に基づく臨床判断支援ツールの利用が意思決定と患者の成果に正の影響を与えるかどうかを評価するためには,臨床研究が必要である。
関連論文リスト
- Machine learning predicts long-term mortality after acute myocardial
infarction using systolic time intervals and routinely collected clinical
data [0.35998666903987897]
樹齢14年以内の死亡率を予測するため,木に基づくMLアルゴリズムの性能について検討した。
機能セットにbPEPとbETを追加することで,アルゴリズムの性能が大幅に向上した。
この進歩は、リスクの高い個人に対してより良い治療優先順位付けを可能にする可能性がある。
論文 参考訳(メタデータ) (2024-03-03T15:23:49Z) - Clinical Characteristics and Laboratory Biomarkers in ICU-admitted
Septic Patients with and without Bacteremia [7.152311859951986]
本研究では,細菌の予測モデルを最適化するために,実験室バイオマーカーの予測力を評価した。
真菌血症48例の計218例について検討した。
論文 参考訳(メタデータ) (2023-11-14T06:44:26Z) - Prediction of Rapid Early Progression and Survival Risk with
Pre-Radiation MRI in WHO Grade 4 Glioma Patients [0.5365740459403827]
非REP症例からのREP予測のための診断・予後ツールとして,Ra-diomics,高度多分解能フラクタルテクスチャ,分子特性について検討した。
コホートの生存予測は0.881の精度で、標準偏差は0.056である。
さらに, マルチ分解能フラクタルテクスチャ特性は, REPやサバイバル結果の従来の放射能特性よりも優れていた。
論文 参考訳(メタデータ) (2023-06-28T20:03:18Z) - Predicting Adverse Neonatal Outcomes for Preterm Neonates with
Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。
特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文 参考訳(メタデータ) (2023-03-28T00:44:06Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳(メタデータ) (2023-03-24T03:14:00Z) - 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) - Auditing Algorithmic Fairness in Machine Learning for Health with
Severity-Based LOGAN [70.76142503046782]
臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。
LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。
SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
論文 参考訳(メタデータ) (2022-11-16T08:04:12Z) - Performance of multilabel machine learning models and risk
stratification schemas for predicting stroke and bleeding risk in patients
with non-valvular atrial fibrillation [22.45448597986172]
マルチラベル勾配押し上げ機は、脳卒中、大出血、死亡に最適な識別力を与えた。
モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。
論文 参考訳(メタデータ) (2022-02-02T15:15:03Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - Deep Learning Derived Histopathology Image Score for Increasing Phase 3
Clinical Trial Probability of Success [0.462316736194615]
第3相臨床試験の失敗は、腫瘍学における薬物開発コストの上昇に寄与する。
我々は, 深層学習によるデジタル病理検査を用いて, 応答者を同定した。
論文 参考訳(メタデータ) (2020-11-10T21:26:13Z) - Comparative Analysis of Predictive Methods for Early Assessment of
Compliance with Continuous Positive Airway Pressure Therapy [55.41644538483948]
CPAP (Continuous positive airway pressure, CPAP) は, 夜間のCPAP平均使用時間の4h以上と認められた。
これまでの研究では、治療の遵守に大きく関係した要因が報告されている。
本研究は,CPAP療法を併用したコンプライアンス分類器を患者フォローアップの3つの異なるタイミングで構築することにより,この方向へのさらなる一歩を踏み出すことを目的とする。
論文 参考訳(メタデータ) (2019-12-27T14:44:21Z)
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。