論文の概要: Application of Machine Learning in Early Recommendation of Cardiac
Resynchronization Therapy
- arxiv url: http://arxiv.org/abs/2109.06139v1
- Date: Mon, 13 Sep 2021 17:30:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 15:56:48.885687
- Title: Application of Machine Learning in Early Recommendation of Cardiac
Resynchronization Therapy
- Title(参考訳): 心臓再同期療法の早期推奨における機械学習の応用
- Authors: Brendan E. Odigwe, Francis G. Spinale, Homayoun Valafar
- Abstract要約: 心臓不全(HF)は死亡率、死亡率、医療費の主な原因である。
心臓再同期療法(CRT)と呼ばれるデバイス駆動型アプローチは、左室(LV)心筋伝導パターンを改善することができる。
CRTの機能的メリットが証明されているが,CRTを服用したHF患者(30~50%)は十分に改善していない。
- 参考スコア(独自算出の注目度): 0.3437656066916039
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Heart failure (HF) is a leading cause of morbidity, mortality, and health
care costs. Prolonged conduction through the myocardium can occur with HF, and
a device-driven approach, termed cardiac resynchronization therapy (CRT), can
improve left ventricular (LV) myocardial conduction patterns. While a
functional benefit of CRT has been demonstrated, a large proportion of HF
patients (30-50%) receiving CRT do not show sufficient improvement. Moreover,
identifying HF patients that would benefit from CRT prospectively remains a
clinical challenge. Accordingly, strategies to effectively predict those HF
patients that would derive a functional benefit from CRT holds great medical
and socio-economic importance. Thus, we used machine learning methods of
classifying HF patients, namely Cluster Analysis, Decision Trees, and
Artificial neural networks, to develop predictive models of individual outcomes
following CRT. Clinical, functional, and biomarker data were collected in HF
patients before and following CRT. A prospective 6-month endpoint of a
reduction in LV volume was defined as a CRT response. Using this approach (418
responders, 412 non-responders), each with 56 parameters, we could classify HF
patients based on their response to CRT with more than 95% success. We have
demonstrated that using machine learning approaches can identify HF patients
with a high probability of a positive CRT response (95% accuracy), and of equal
importance, identify those HF patients that would not derive a functional
benefit from CRT. Developing this approach into a clinical algorithm to assist
in clinical decision-making regarding the use of CRT in HF patients would
potentially improve outcomes and reduce health care costs.
- Abstract(参考訳): 心臓不全(HF)は死亡率、死亡率、医療費の主な原因である。
心筋の長期伝導はHFで起こり、心臓再同期療法(CRT)と呼ばれるデバイス駆動のアプローチは、左室(LV)心筋伝導パターンを改善することができる。
CRTの機能的メリットが証明されているが,CRTを服用したHF患者(30~50%)は十分に改善していない。
さらに、CRTの恩恵を受けるHF患者を特定することは、臨床上の課題である。
したがって、CRTから機能的利益をもたらすHF患者を効果的に予測する戦略は、医療・社会経済的に非常に重要である。
そこで本研究では,クラスタ分析,決定木,ニューラルネットワークなどのhf患者を分類する機械学習手法を用いて,crt後の結果予測モデルを構築した。
CRT前後のHF患者における臨床,機能,バイオマーカーデータを収集した。
CRT応答として,LV容積減少の6ヶ月の先進的なエンドポイントを定義した。
この手法(418人の応答者,412人の非応答者)を用いて,56のパラメータで,CRTに対する反応に基づいてHF患者を95%以上の成功率で分類することができた。
我々は,機械学習アプローチを用いて,CRTの正の反応の確率が高いHF患者(95%の精度)を同定し,同程度の重要度で,CRTの機能的メリットを導き出さないHF患者を同定できることを実証した。
hf患者におけるcrtの使用に関する臨床意思決定を支援する臨床アルゴリズムにこのアプローチを組み込むことで、予後を改善し、医療費を削減できる可能性がある。
関連論文リスト
- Enhancing Mortality Prediction in Heart Failure Patients: Exploring
Preprocessing Methods for Imbalanced Clinical Datasets [0.0]
心不全 (Heart failure, HF) は、患者の管理決定を導く上で、死亡率の正確な予測が重要な役割を果たす重要な疾患である。
本稿では,スケーリング,アウトレーヤ処理,再サンプリングを含む包括的事前処理フレームワークを提案する。
適切な前処理技術と機械学習(ML)アルゴリズムを活用することで,HF患者の死亡予測性能を向上させることを目指す。
論文 参考訳(メタデータ) (2023-09-30T18:31:15Z) - A new method using deep transfer learning on ECG to predict the response
to cardiac resynchronization therapy [2.8136734847819773]
伝達学習モデルは、応答者と非応答者との区別において72%の精度を達成した。
このモデルではCRT応答体を同定する際の感度(0.78)と特異性(0.79)が良好であった。
論文 参考訳(メタデータ) (2023-06-02T00:08:38Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳(メタデータ) (2022-11-08T11:50:31Z) - Machine learning for dynamically predicting the onset of renal
replacement therapy in chronic kidney disease patients using claims data [0.89379057739817]
慢性腎疾患(CKD)は徐々に進行する疾患であり、最終的には腎置換療法(RRT)を必要とする。
RRTを必要とする患者の早期発見は、患者の結果を改善する。
RRT開始に一般的に使用される予測ツールはない。
論文 参考訳(メタデータ) (2022-09-03T17:50:27Z) - COVID-Net CXR-S: Deep Convolutional Neural Network for Severity
Assessment of COVID-19 Cases from Chest X-ray Images [74.77272804752306]
胸部CXR画像に基づくSARS-CoV-2陽性患者の空間重症度を予測する畳み込みニューラルネットワークであるCOVID-Net CXR-Sについて紹介する。
患者15,000人以上の多国籍コホートから得られた16,000以上のCXR画像から得られた表現的知識を,重症度評価のためのカスタムネットワークアーキテクチャへ伝達する。
提案したCXR-Sは、新型コロナウイルス陽性患者のCXR画像のコンピュータ支援による重症度評価のための強力なツールとなる可能性がある。
論文 参考訳(メタデータ) (2021-05-01T14:15:12Z) - Understanding Heart-Failure Patients EHR Clinical Features via SHAP
Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
心不全(Heart failure, HF)は、死因の一つ。
機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。
以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
論文 参考訳(メタデータ) (2021-03-20T22:17:05Z) - 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) - 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) - 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) - COVID-Net S: Towards computer-aided severity assessment via training and
validation of deep neural networks for geographic extent and opacity extent
scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。
本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文 参考訳(メタデータ) (2020-05-26T16:33:52Z)
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。