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
- Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。
我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。
SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
論文 参考訳(メタデータ) (2025-02-15T06:33:02Z) - Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
セプシスはアメリカ合衆国と世界中で多くの死者を負う重篤な状態である。
機械学習を用いたこれまでの研究では、特徴選択とモデル解釈可能性に制限があった。
本研究は,院内敗血症死亡率を予測するための,解釈可能かつ正確な機械学習モデルを開発することを目的とした。
論文 参考訳(メタデータ) (2024-08-03T00:28:25Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳(メタデータ) (2024-07-10T19:17:23Z) - 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) - Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis
Across Six Depression Treatment Studies [41.34047608276278]
神経回路モデルを用いてうつ病の薬理学的治療6治験のデータを解析した。
5種類のモノセラピーと3種類の併用療法に対して,寛解率と解離確率を分類し,個別解離確率を推定するモデルを構築した。
ポストホック分析は、トレーニング中に学んだ患者プロトタイプに基づいてクラスター(サブグループ)を得た。
論文 参考訳(メタデータ) (2023-03-24T14:34:09Z) - 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) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳(メタデータ) (2022-12-13T19:06:00Z) - 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) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-11-18T23:13:48Z) - 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) - 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。