論文の概要: Machine Learning Methods for Identifying Atrial Fibrillation Cases and Their Predictors in Patients With Hypertrophic Cardiomyopathy: The HCM-AF-Risk Model

• arxiv url: http://arxiv.org/abs/2109.09207v1
• Date: Sun, 19 Sep 2021 20:00:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:19:50.561795
• Title: Machine Learning Methods for Identifying Atrial Fibrillation Cases and Their Predictors in Patients With Hypertrophic Cardiomyopathy: The HCM-AF-Risk Model
• Title（参考訳）: HCM-AF-Riskモデルによる肥大型心筋症患者の心房細動と予測因子の同定
• Authors: Moumita Bhattacharya, Dai-Yin Lu, Ioannis Ventoulis, Gabriela V. Greenland, Hulya Yalcin, Yufan Guan, Joseph E. Marine, Jeffrey E. Olgin, Stefan L. Zimmerman, Theodore P. Abraham, M. Roselle Abraham, Hagit Shatkay
• Abstract要約: 肥大型心筋症 (HCM) は心房細動の頻度が高く, 脳卒中リスクが高い。 我々は、データ駆動型機械学習に基づく手法を開発し応用し、AFの事例を識別する。 我々のモデルは,HCM における AF 症例の同定のための,最初の機械学習に基づく手法である。
• 参考スコア（独自算出の注目度）: 0.3904666078483698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypertrophic cardiomyopathy (HCM) patients have a high incidence of atrial fibrillation (AF) and increased stroke risk, even with low risk of congestive heart failure, hypertension, age, diabetes, previous stroke/transient ischemic attack scores. Hence, there is a need to understand the pathophysiology of AF and stroke in HCM. In this retrospective study, we develop and apply a data-driven, machine learning based method to identify AF cases, and clinical and imaging features associated with AF, using electronic health record data. HCM patients with documented paroxysmal/persistent/permanent AF (n = 191) were considered AF cases, and the remaining patients in sinus rhythm (n = 640) were tagged as No-AF. We evaluated 93 clinical variables and the most informative variables useful for distinguishing AF from No-AF cases were selected based on the 2-sample t test and the information gain criterion. We identified 18 highly informative variables that are positively (n = 11) and negatively (n = 7) correlated with AF in HCM. Next, patient records were represented via these 18 variables. Data imbalance resulting from the relatively low number of AF cases was addressed via a combination of oversampling and under-sampling strategies. We trained and tested multiple classifiers under this sampling approach, showing effective classification. Specifically, an ensemble of logistic regression and naive Bayes classifiers, trained based on the 18 variables and corrected for data imbalance, proved most effective for separating AF from No-AF cases (sensitivity = 0.74, specificity = 0.70, C-index = 0.80). Our model is the first machine learning based method for identification of AF cases in HCM. This model demonstrates good performance, addresses data imbalance, and suggests that AF is associated with a more severe cardiac HCM phenotype.
• Abstract（参考訳）: 肥大型心筋症 (hcm) 患者は心房細動 (af) の頻度が高く、心不全、高血圧、加齢、糖尿病、前回の脳卒中/移行性虚血発作スコアのリスクが低いにもかかわらず、脳卒中リスクが高くなる。 したがって、HCMにおけるAFと脳卒中の病態を理解する必要がある。 本研究では,AF患者を識別するためのデータ駆動型機械学習手法を開発し,その臨床像と臨床像の特徴を電子健康記録データを用いて検討した。 発作性持続性AF (n = 191) のHCM患者をAFとみなし, 副鼻腔リズム (n = 640) の残りの患者をAFとしてタグ付けした。 NAF患者とAF患者を区別するのに有用な93の臨床的変数と最も有用な変数を2サンプルtと情報取得基準に基づいて選択した。 正に (n = 11) , 負に (n = 7) が AF と相関する18個の高情報変数を同定した。 次に患者記録を18変数で表現した。 比較的少ないAF症例から得られたデータ不均衡は、オーバーサンプリングとアンダーサンプリング戦略の組み合わせによって対処された。 このサンプリング手法で複数の分類器を訓練しテストし,効果的な分類を示した。 具体的には、18の変数に基づいて訓練され、データ不均衡のために修正されたロジスティック回帰とナイーブベイズ分類器のアンサンブルは、No-AFのケース(感度 = 0.74, 特異性 = 0.70, C-index = 0.80)からAFを分離するのに最も有効であることが証明された。 我々のモデルは,HCM における AF 症例の同定のための最初の機械学習に基づく手法である。 このモデルは優れた性能を示し、データ不均衡に対処し、AFがより重症なHCM表現型と関連していることを示唆している。

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)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• End-to-end Risk Prediction of Atrial Fibrillation from the 12-Lead ECG by Deep Neural Networks [1.4064206416094476]
  心房細動(英: atrial fibrillation、AF)は、毎年何百万人もの人に影響を及ぼす心不整脈の1つである。 機械学習手法は心電図からAFの発生リスクを評価する上で有望な結果を示している。
  論文  参考訳（メタデータ） (2023-09-28T10:47:40Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Similarity-based prediction of Ejection Fraction in Heart Failure Patients [0.0]
  本稿では,FILL (Feature Imputation via Local Likelihood) という,データ駆動型統計機械学習手法を提案する。 我々は, 心不全患者に対して, 排液分画率(HFrEF, HFpEF)の低下と保存率の低下を鑑別し, 特に困難な問題を用いて本法を検証した。 これらの困難にもかかわらず,本手法は複数のシナリオを考慮した場合,80%以上の精度でHFpEFの心不全患者を推定できることが示されている。
  論文  参考訳（メタデータ） (2022-03-14T14:19:08Z)
• 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)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• 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)
• The Effect of Data Augmentation on Classification of Atrial Fibrillation in Short Single-Lead ECG Signals Using Deep Neural Networks [12.39263432933148]
  クラス不均衡問題に対するオーバーサンプリングなど,様々なデータ拡張アルゴリズムの影響について検討する。 その結果, 深層学習に基づくAF信号分類手法は, オーバーサンプリングよりも, GANとGMMを用いたデータ拡張の恩恵が大きいことがわかった。
  論文  参考訳（メタデータ） (2020-02-07T16:08:19Z)

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。