論文の概要: COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification
- arxiv url: http://arxiv.org/abs/2109.06711v1
- Date: Tue, 14 Sep 2021 14:16:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 15:50:17.770455
- Title: COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification
- Title（参考訳）: COVID-Net クリニカル ICU:説明可能性と信頼度による ICU 入院の予測
- Authors: Audrey Chung, Mahmoud Famouri, Andrew Hryniowski, and Alexander Wong
- Abstract要約: 患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
- 参考スコア（独自算出の注目度）: 71.80459780697956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The COVID-19 pandemic continues to have a devastating global impact, and has
placed a tremendous burden on struggling healthcare systems around the world.
Given the limited resources, accurate patient triaging and care planning is
critical in the fight against COVID-19, and one crucial task within care
planning is determining if a patient should be admitted to a hospital's
intensive care unit (ICU). Motivated by the need for transparent and
trustworthy ICU admission clinical decision support, we introduce COVID-Net
Clinical ICU, a neural network for ICU admission prediction based on patient
clinical data. Driven by a transparent, trust-centric methodology, the proposed
COVID-Net Clinical ICU was built using a clinical dataset from Hospital
Sirio-Libanes comprising of 1,925 COVID-19 patients, and is able to predict
when a COVID-19 positive patient would require ICU admission with an accuracy
of 96.9% to facilitate better care planning for hospitals amidst the on-going
pandemic. We conducted system-level insight discovery using a quantitative
explainability strategy to study the decision-making impact of different
clinical features and gain actionable insights for enhancing predictive
performance. We further leveraged a suite of trust quantification metrics to
gain deeper insights into the trustworthiness of COVID-Net Clinical ICU. By
digging deeper into when and why clinical predictive models makes certain
decisions, we can uncover key factors in decision making for critical clinical
decision support tasks such as ICU admission prediction and identify the
situations under which clinical predictive models can be trusted for greater
accountability.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは世界的な衝撃を受け続けており、世界中で苦戦している医療システムに多大な負担をかけている。
医療計画における重要な課題は、患者が病院の集中治療室(ICU)に入院すべきかどうかを判断することである。
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを導入する。
透明で信頼に満ちた手法によって、提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リビアン病院の臨床データセットを使用して構築され、新型コロナウイルス陽性患者がICUの入院を96.9%の精度で求めることを予測できる。
定量的説明可能性戦略を用いてシステムレベルの洞察の発見を行い, 臨床特徴の意思決定への影響を調査し, 予測性能の向上に有効な洞察を得た。
さらに、信頼度定量化指標を活用し、COVID-Net Clinical ICUの信頼性に関する深い洞察を得た。
臨床予測モデルがいつ,なぜある決定を下すのかを深く掘り下げることで,ICU入院予測などの重要な臨床決定支援タスクの意思決定における重要な要因を明らかにし,臨床予測モデルが信頼性の高い説明責任を負う状況を特定することができる。
関連論文リスト
- A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis [3.5280004326441365]
PatWay-Netは、敗血症患者の集中治療室への入院の予測を解釈するために設計されたMLフレームワークである。
本稿では,新しいタイプのリカレントニューラルネットワークを提案し,それを多層パーセプトロンと組み合わせて患者経路を処理する。
我々は、患者の健康状態、予測結果、関連するリスクを視覚化する包括的ダッシュボードを通じて、その実用性を実証する。
論文 参考訳（メタデータ） (2024-05-21T20:31:42Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳（メタデータ） (2023-08-24T05:26:56Z) - Assessing the impact of emergency department short stay units using
length-of-stay prediction and discrete event simulation [1.0822676139724565]
救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。
我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
論文 参考訳（メタデータ） (2023-08-04T22:26:02Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - Optimal discharge of patients from intensive care via a data-driven
policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。
本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。
データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文 参考訳（メタデータ） (2021-12-17T04:39:33Z) - 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) - 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) - 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) - Estimating Uncertainty and Interpretability in Deep Learning for
Coronavirus (COVID-19) Detection [0.0]
コンピュータベースの診断にどれだけの自信があるかを知ることは、臨床医にこの技術への信頼を得るのに不可欠である。
本稿では,減量重みに基づくベイズ畳み込みニューラルネットワーク(BCNN)を用いて,ディープラーニングソリューションにおける不確実性を推定する方法について検討する。
不確実性を認識したディープラーニングソリューションが利用できることで、臨床環境でのAI(Artificial Intelligence)の広範な採用が可能になると考えています。
論文 参考訳（メタデータ） (2020-03-22T21:58:13Z)
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。