論文の概要: Process Mining Model to Predict Mortality in Paralytic Ileus Patients
- arxiv url: http://arxiv.org/abs/2108.01267v1
- Date: Tue, 3 Aug 2021 03:09:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 19:27:32.238054
- Title: Process Mining Model to Predict Mortality in Paralytic Ileus Patients
- Title(参考訳): 麻痺性イレウス患者の死亡予測のためのプロセスマイニングモデル
- Authors: Maryam Pishgar, Martha Razo, Julian Theis, and Houshang Darabi
- Abstract要約: 麻痺性イレウス(PI)患者は集中治療室(ICU)に入院すると死亡リスクが高く、死亡率は40%に達する。
当科では入院24時間後のICU患者の死亡率予測におけるパフォーマンス改善について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Paralytic Ileus (PI) patients are at high risk of death when admitted to the
Intensive care unit (ICU), with mortality as high as 40\%. There is minimal
research concerning PI patient mortality prediction. There is a need for more
accurate prediction modeling for ICU patients diagnosed with PI. This paper
demonstrates performance improvements in predicting the mortality of ICU
patients diagnosed with PI after 24 hours of being admitted. The proposed
framework, PMPI(Process Mining Model to predict mortality of PI patients), is a
modification of the work used for prediction of in-hospital mortality for ICU
patients with diabetes. PMPI demonstrates similar if not better performance
with an Area under the ROC Curve (AUC) score of 0.82 compared to the best
results of the existing literature. PMPI uses patient medical history, the time
related to the events, and demographic information for prediction. The PMPI
prediction framework has the potential to help medical teams in making better
decisions for treatment and care for ICU patients with PI to increase their
life expectancy.
- Abstract(参考訳): 麻痺性イレウス (PI) 患者は集中治療室 (ICU) に入院すると死亡リスクが高く, 死亡率は40%である。
PI患者の死亡予測に関する最小限の研究がある。
piと診断されたicu患者のより正確な予測モデルが必要である。
当科では入院24時間後のICU患者の死亡率予測におけるパフォーマンス改善について検討した。
PMPI(Process Mining Model, Process Mining Model to predict death of PI patients)は,糖尿病ICU患者の院内死亡の予測に用いる作業の修正である。
PMPIは、既存の文献の最良の結果と比較すると、ROC曲線(AUC)スコアが0.82であるエリアと類似している。
PMPIは、患者の医療履歴、イベントに関連する時間、および予測のための人口統計情報を使用する。
PMPI予測フレームワークは、医療チームがPIのICU患者に対する治療とケアのより良い決定をし、寿命を延ばすのに役立つ可能性がある。
関連論文リスト
- Population stratification for prediction of mortality in post-AKI patients [0.0]
急性腎障害(AKI)は、入院患者の20%に影響を及ぼす重篤な臨床疾患である。
患者のリスクと医療費は、予測モデルと機械学習に基づくフォローアップ計画によって最小化できる。
論文 参考訳(メタデータ) (2024-10-23T13:36:23Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - 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) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2023-06-01T14:08:05Z) - 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) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳(メタデータ) (2021-12-19T01:45:57Z) - 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) - 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) - Parkland Trauma Index of Mortality (PTIM): Real-time Predictive Model
for PolyTrauma Patients [0.0]
Parkland Trauma Index of Mortality (PTIM)は、電子カルテ(EMR)データを用いて死亡率を予測する機械学習アルゴリズムである。
モデルは毎時更新され、外傷に対する患者の生理的反応とともに進化する。
入院早期のポリトラウマ患者の臨床的意思決定に有用なツールかもしれない。
論文 参考訳(メタデータ) (2020-10-07T20:34:03Z) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳(メタデータ) (2020-08-10T02:44:52Z) - 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。