論文の概要: Combining chest X-rays and EHR data using machine learning to diagnose acute respiratory failure

• arxiv url: http://arxiv.org/abs/2108.12530v1
• Date: Fri, 27 Aug 2021 23:37:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 15:04:01.474276
• Title: Combining chest X-rays and EHR data using machine learning to diagnose acute respiratory failure
• Title（参考訳）: 急性呼吸不全診断のための機械学習を用いた胸部X線と心電図データの組み合わせ
• Authors: Sarah Jabbour, David Fouhey, Ella Kazerooni, Jenna Wiens, Michael W Sjoding
• Abstract要約: 機械学習モデルは、臨床的意思決定を増強することで、診断を改善することができる。 胸部X線写真とERHデータを用いて急性呼吸不全(肺炎、心不全、および/またはPD)の原因を予測するためのモデルを構築した。 胸部X線写真とERHデータを組み合わせたモデルでは, 肺炎, COPDに対してのみ, 各々のモダリティに基づくモデルに優れていた。
• 参考スコア（独自算出の注目度）: 9.726139823378842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When patients develop acute respiratory failure, accurately identifying the underlying etiology is essential for determining the best treatment, but it can be challenging to differentiate between common diagnoses in clinical practice. Machine learning models could improve medical diagnosis by augmenting clinical decision making and play a role in the diagnostic evaluation of patients with acute respiratory failure. While machine learning models have been developed to identify common findings on chest radiographs (e.g. pneumonia), augmenting these approaches by also analyzing clinically relevant data from the electronic health record (EHR) could aid in the diagnosis of acute respiratory failure. Machine learning models were trained to predict the cause of acute respiratory failure (pneumonia, heart failure, and/or COPD) using chest radiographs and EHR data from patients within an internal cohort using diagnoses based on physician chart review. Models were also tested on patients in an external cohort using discharge diagnosis codes. A model combining chest radiographs and EHR data outperformed models based on each modality alone for pneumonia and COPD. For pneumonia, the combined model AUROC was 0.79 (0.78-0.79), image model AUROC was 0.73 (0.72-0.75), and EHR model AUROC was 0.73 (0.70-0.76); for COPD, combined: 0.89 (0.83-0.91), image: 0.85 (0.77-0.89), and EHR: 0.80 (0.76-0.84); for heart failure, combined: 0.80 (0.77-0.84), image: 0.77 (0.71-0.81), and EHR: 0.80 (0.75-0.82). In the external cohort, performance was consistent for heart failure and COPD, but declined slightly for pneumonia. Overall, machine learning models combing chest radiographs and EHR data can accurately differentiate between common causes of acute respiratory failure. Further work is needed to determine whether these models could aid clinicians in the diagnosis of acute respiratory failure in clinical settings.
• Abstract（参考訳）: 急性呼吸不全を患う患者は、基礎疾患を正確に同定することが最善の治療法を決定する上で不可欠であるが、臨床診療における一般的な診断を区別することは困難である。 機械学習モデルは、急性呼吸不全患者の診断評価において、臨床的意思決定を増強し、医療診断を改善することができる。 機械学習モデルは胸部X線写真(例)の一般的な発見を特定するために開発された。 電子健康記録(ehr)からの臨床関連データを分析してこれらのアプローチを強化する肺炎は、急性呼吸不全の診断に役立つ可能性がある。 急性呼吸不全(肺炎、心不全、copd)の原因を予測するために、胸部x線写真と内科的コホートにおけるehrデータを用いて、医師の診断に基づいて機械学習モデルを訓練した。 また, 退院診断符号を用いて, 外部コホート患者のモデルも検討した。 胸部X線写真とERHデータを組み合わせたモデルでは, 肺炎, COPDに対してのみ, モダリティのモデルが優れていた。 肺炎では、AUROCは0.79 (0.78-0.79)、画像モデルAUROCは0.73 (0.72-0.75)、EHRモデルAUROCは0.73 (0.70-0.76)、 COPDは0.89 (0.83-0.91)、画像は0.85 (0.77-0.89)、心不全では0.80 (0.76-0.84)、画像は0.77 (0.71-0.81)、EHRは0.80 (0.75-0.82)であった。 外部コホートでは心不全とcopdでパフォーマンスは一致したが,肺炎ではやや低下した。 全体として、胸部X線写真とHRデータを併用した機械学習モデルは、急性呼吸不全の一般的な原因を正確に区別することができる。 これらのモデルが臨床現場で急性呼吸不全の診断に役立つかどうかを判断するには、さらなる研究が必要である。

関連論文リスト

• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive Learning [19.948079693716075]
  提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。 77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2024-01-25T20:03:57Z)
• Deep learning automated quantification of lung disease in pulmonary hypertension on CT pulmonary angiography: A preliminary clinical study with external validation [0.0]
  本研究は,CTPA(CTPA)における肺テクスチャ分類のための人工知能(AI)深層学習モデルの開発を目的とする。 The Fleishner Society glossary of terms were classified as the "Normal", "Ground glass, "Ground glass with reticulation", "Honeycombing", and "Emphysema" were classified as the Fleishner Society glossary of terms。 各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
  論文  参考訳（メタデータ） (2023-03-20T14:06:32Z)
• Deep Learning-Based Detection of the Acute Respiratory Distress Syndrome: What Are the Models Learning? [5.827840113217155]
  急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。 高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。 未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
  論文  参考訳（メタデータ） (2021-09-25T09:10:10Z)
• Identifying Ventricular Arrhythmias and Their Predictors by Applying Machine Learning Methods to Electronic Health Records in Patients With Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model) [0.3811495093928132]
  心室性不整脈(VAr)を有する肥大型心筋症患者を臨床的属性を用いて同定するための機械学習の最初の応用である。 臨床的変数は93例, VArは22例であった。 提案手法では,確立した10個のSCD予測器に加えて,12個の新しいVAr予測器を同定した。
  論文  参考訳（メタデータ） (2021-09-19T20:11:07Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Deep Learning Applied to Chest X-Rays: Exploiting and Preventing Shortcuts [11.511323714777298]
  本稿では,特定の属性を有する患者が興味を抱く可能性が極めて高い,突発性クラススキューの症例について検討する。 深層ネットは、診断の予測を学ぶ際に、性別(AUROC=0.96)や年齢(AUROC=0.90)を含む多くの患者属性を正確に識別できることを示す。 単純な転送学習アプローチは、ショートカットを防止し、優れたパフォーマンスを促進するのに驚くほど効果的である。
  論文  参考訳（メタデータ） (2020-09-21T18:52:43Z)
• 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)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。