論文の概要: Developing and validating multi-modal models for mortality prediction in
COVID-19 patients: a multi-center retrospective study
- arxiv url: http://arxiv.org/abs/2109.02439v1
- Date: Wed, 1 Sep 2021 04:46:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-12 11:43:03.091738
- Title: Developing and validating multi-modal models for mortality prediction in
COVID-19 patients: a multi-center retrospective study
- Title（参考訳）: 新型コロナウイルス患者の死亡予測のためのマルチモーダルモデルの開発と妥当性の検討
- Authors: Joy Tzung-yu Wu, Miguel \'Angel Armengol de la Hoz, Po-Chih Kuo,
Joseph Alexander Paguio, Jasper Seth Yao, Edward Christopher Dee, Wesley
Yeung, Jerry Jurado, Achintya Moulick, Carmelo Milazzo, Paloma Peinado, Paula
Villares, Antonio Cubillo, Jos\'e Felipe Varona, Hyung-Chul Lee, Alberto
Estirado, Jos\'e Maria Castellano, Leo Anthony Celi
- Abstract要約: マルチセンター患者データを用いて、新型コロナウイルス死亡予測のためのマルチモーダルモデルの開発と検証を行った。
私たちのゴールは、調査員や組織が予測、分類、最適化のためのマルチモーダルモデルを構築するのを支援するツールキットを作ることです。
- 参考スコア（独自算出の注目度）: 1.5308395762165423
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The unprecedented global crisis brought about by the COVID-19 pandemic has
sparked numerous efforts to create predictive models for the detection and
prognostication of SARS-CoV-2 infections with the goal of helping health
systems allocate resources. Machine learning models, in particular, hold
promise for their ability to leverage patient clinical information and medical
images for prediction. However, most of the published COVID-19 prediction
models thus far have little clinical utility due to methodological flaws and
lack of appropriate validation. In this paper, we describe our methodology to
develop and validate multi-modal models for COVID-19 mortality prediction using
multi-center patient data. The models for COVID-19 mortality prediction were
developed using retrospective data from Madrid, Spain (N=2547) and were
externally validated in patient cohorts from a community hospital in New
Jersey, USA (N=242) and an academic center in Seoul, Republic of Korea (N=336).
The models we developed performed differently across various clinical settings,
underscoring the need for a guided strategy when employing machine learning for
clinical decision-making. We demonstrated that using features from both the
structured electronic health records and chest X-ray imaging data resulted in
better 30-day-mortality prediction performance across all three datasets (areas
under the receiver operating characteristic curves: 0.85 (95% confidence
interval: 0.83-0.87), 0.76 (0.70-0.82), and 0.95 (0.92-0.98)). We discuss the
rationale for the decisions made at every step in developing the models and
have made our code available to the research community. We employed the best
machine learning practices for clinical model development. Our goal is to
create a toolkit that would assist investigators and organizations in building
multi-modal models for prediction, classification and/or optimization.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)による前例のない世界的な危機は、SARS-CoV-2感染の検出と予後の予測モデルを作成するための多くの取り組みを引き起こし、医療システムの資源配分を支援することを目指している。
特に機械学習モデルは、患者の臨床情報と医療画像を利用して予測する能力を約束している。
しかし、これまでに公表された新型コロナウイルスの予測モデルのほとんどは、方法論上の欠陥と適切な検証の欠如のために臨床効果がほとんどない。
本稿では,多施設患者データを用いた新型コロナウイルス死亡予測のためのマルチモーダルモデルの開発と評価について述べる。
スペイン・マドリード(N=2547)の振り返りデータを用いて,米国ニュージャージー州の地域病院(N=242)と韓国・ソウル(N=336)の学術センター(N=2436)の患者コホートを用いて,新型コロナウイルス死亡予測モデルを開発した。
開発したモデルは様々な臨床現場で異なる性能を示し,臨床意思決定に機械学習を用いる場合の指導的戦略の必要性を浮き彫りにした。
その結果,3つのデータセット(95%信頼区間: 0.83-0.87, 0.76 (0.70-0.82) および 0.95 (0.92-0.98) において,構造的電子健康記録と胸部x線画像データの両方の特徴を用いることにより,30日間のモーティリティ予測性能が向上した。
我々は、モデル開発の各ステップで下された決定の根拠を議論し、私たちのコードを研究コミュニティに公開しました。
臨床モデル開発に最適な機械学習プラクティスを採用しました。
私たちのゴールは、調査員や組織が予測、分類、最適化のためのマルチモーダルモデルを構築するのを支援するツールキットを作ることです。
関連論文リスト
- Prediction of COVID-19 Patients' Emergency Room Revisit using
Multi-Source Transfer Learning [7.750772093056729]
新型コロナウイルス感染症2019(COVID-19)は、世界的な重症度のパンデミックに繋がった。
患者は退院後短時間で救急室(ER)を再訪しなければならない。
このような患者の早期発見は、医師が生命を危険にさらす患者を治療するのを助けるのに不可欠である。
論文 参考訳（メタデータ） (2023-06-29T18:51:42Z) - A Comprehensive Benchmark for COVID-19 Predictive Modeling Using
Electronic Health Records in Intensive Care [15.64030213048907]
集中治療室における新型コロナウイルス患者のアウトカム特異的長期予測と早期死亡予測の2つの臨床予測課題を提案する。
この2つの課題は、新型コロナウイルス(COVID-19)患者の臨床実践に対応するため、単純で不安定な長寿と死亡予測のタスクから適応される。
我々は、公平で詳細なオープンソースのデータ前処理パイプラインを提案し、2つのタスクで17の最先端予測モデルを評価する。
論文 参考訳（メタデータ） (2022-09-16T09:09:15Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Challenges in the application of a mortality prediction model for
COVID-19 patients on an Indian cohort [0.0]
ヤンなど。
機械学習(ML)メソッドを使って新型コロナウイルス患者の結果を予測する研究が公開されている。
ここでは、covid-19患者の最大のデータセットの1つにデプロイすることで、このモデルの制限を示します。
論文 参考訳（メタデータ） (2021-01-15T07:06:49Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z) - Predicting special care during the COVID-19 pandemic: A machine learning
approach [0.0]
本稿では,患者が特別なケアを必要としているかどうかを予測するため,統計と機械学習に基づく分析手法を提案する。
また、患者がそのようなケアを受ける日数も予測する。
分析的アプローチは、他の疾患で使用することができ、病院の容量を計画するのに役立つ。
論文 参考訳（メタデータ） (2020-11-06T00:18:27Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - 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) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳（メタデータ） (2020-07-15T09:22:55Z)
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。