論文の概要: Predicting Post-Concussion Syndrome Outcomes with Machine Learning
- arxiv url: http://arxiv.org/abs/2108.02570v1
- Date: Wed, 4 Aug 2021 09:04:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 14:31:33.091140
- Title: Predicting Post-Concussion Syndrome Outcomes with Machine Learning
- Title(参考訳): 機械学習による脳卒中後症候群の予測
- Authors: Minhong Kim
- Abstract要約: 本研究では,機械学習モデルを用いてPCSの結果を高精度に予測できることを実証した。
さらなる研究により、永続的なPCS患者を支援するために、機械学習モデルが医療環境に実装される可能性がある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, machine learning models are used to predict outcomes for
patients with persistent post-concussion syndrome (PCS). Patients had sustained
a concussion at an average of two to three months before the study. By
utilizing assessed data, the machine learning models aimed to predict whether
or not a patient would continue to have PCS after four to five months. The
random forest classifier achieved the highest performance with an 85% accuracy
and an area under the receiver operating characteristic curve (AUC) of 0.94.
Factors found to be predictive of PCS outcome were Post-Traumatic Stress
Disorder (PTSD), perceived injustice, self-rated prognosis, and symptom
severity post-injury. The results of this study demonstrate that machine
learning models can predict PCS outcomes with high accuracy. With further
research, machine learning models may be implemented in healthcare settings to
help patients with persistent PCS.
- Abstract(参考訳): 本稿では, 持続性後けいれん症候群(pcs)患者の予後予測に機械学習モデルを用いた。
患者は、研究の2~3ヶ月前に脳卒中を患っていた。
評価データを活用することによって、機械学習モデルは、患者が4~5ヶ月後にPCSを継続するかどうかを予測することを目的とした。
ランダム森林分類器は85%の精度で最高性能を達成し、受信機動作特性曲線(AUC)の面積は0.94である。
PCSの結果を予測する要因は,外傷後ストレス障害(PTSD),不公平感,自己評価予後,外傷後重症度であった。
本研究では,機械学習モデルがpcsの結果を高精度に予測できることを示す。
さらなる研究により、永続的なPCS患者を支援するために、機械学習モデルが医療環境に実装される可能性がある。
関連論文リスト
- Random Forest-Based Prediction of Stroke Outcome [7.090384254446659]
入院後3ヶ月の死亡率と死亡率の予測に機械学習を用いて予測モデルを生成する。
結論として、機械学習RFアルゴリズムは脳卒中患者の死亡率と死亡率の長期予後予測に有効である。
論文 参考訳(メタデータ) (2024-02-01T14:54:17Z) - Machine Learning Techniques for Predicting the Short-Term Outcome of
Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
7つのディフフェレント分類アルゴリズムを用いてデータを解析した。
線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
論文 参考訳(メタデータ) (2023-02-10T13:04:47Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - Machine Learning-Assisted Recurrence Prediction for Early-Stage
Non-Small-Cell Lung Cancer Patients [10.127130900852405]
再発リスクによるがん患者の成層化は、自身のケアをパーソナライズすることができる。
本研究では,早期非小細胞肺癌患者の再発確率を機械学習を用いて推定する方法を提案する。
論文 参考訳(メタデータ) (2022-11-17T19:34:16Z) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳(メタデータ) (2022-11-13T01:07:23Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳(メタデータ) (2021-08-31T08:23:56Z) - 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) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - A Machine Learning Early Warning System: Multicenter Validation in
Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。
Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。
機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文 参考訳(メタデータ) (2020-06-09T21:21:38Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z)
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。