論文の概要: Identifying Ventricular Arrhythmias and Their Predictors by Applying
Machine Learning Methods to Electronic Health Records in Patients With
Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model)
- arxiv url: http://arxiv.org/abs/2109.09210v1
- Date: Sun, 19 Sep 2021 20:11:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:19:12.183121
- Title: Identifying Ventricular Arrhythmias and Their Predictors by Applying
Machine Learning Methods to Electronic Health Records in Patients With
Hypertrophic Cardiomyopathy(HCM-VAr-Risk Model)
- Title（参考訳）: 肥大型心筋症(HCM-VAr-Risk Model)における心室不整脈とその予測因子の検討
- Authors: Moumita Bhattacharya, Dai-Yin Lu, Shibani M Kudchadkar, Gabriela
Villarreal Greenland, Prasanth Lingamaneni, Celia P Corona-Villalobos, Yufan
Guan, Joseph E Marine, Jeffrey E Olgin, Stefan Zimmerman, Theodore P Abraham,
Hagit Shatkay, Maria Roselle Abraham
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.3811495093928132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical risk stratification for sudden cardiac death (SCD) in hypertrophic
cardiomyopathy (HC) employs rules derived from American College of Cardiology
Foundation/American Heart Association (ACCF/AHA) guidelines or the HCM Risk-SCD
model (C-index of 0.69), which utilize a few clinical variables. We assessed
whether data-driven machine learning methods that consider a wider range of
variables can effectively identify HC patients with ventricular arrhythmias
(VAr) that lead to SCD. We scanned the electronic health records of 711 HC
patients for sustained ventricular tachycardia or ventricular fibrillation.
Patients with ventricular tachycardia or ventricular fibrillation (n = 61) were
tagged as VAr cases and the remaining (n = 650) as non-VAr. The 2-sample t test
and information gain criterion were used to identify the most informative
clinical variables that distinguish VAr from non-VAr; patient records were
reduced to include only these variables. Data imbalance stemming from low
number of VAr cases was addressed by applying a combination of over- and
under-sampling strategies.We trained and tested multiple classifiers under this
sampling approach, showing effective classification. We evaluated 93 clinical
variables, of which 22 proved predictive of VAr. The ensemble of logistic
regression and naive Bayes classifiers, trained based on these 22 variables and
corrected for data imbalance, was most effective in separating VAr from non-VAr
cases (sensitivity = 0.73, specificity = 0.76, C-index = 0.83). Our method
(HCM-VAr-Risk Model) identified 12 new predictors of VAr, in addition to 10
established SCD predictors. In conclusion, this is the first application of
machine learning for identifying HC patients with VAr, using clinical
attributes.
- Abstract（参考訳）: 肥大型心筋症(HC)における突然死(SCD)の臨床的リスク階層化には、American College of Cardiology Foundation/American Heart Association (ACCF/AHA)のガイドラインやHCM Risk-SCDモデル(C-index of 0.69)のルールが採用されている。
SCDに繋がる心室性不整脈(VAr)患者を,より幅広い変数を考慮したデータ駆動機械学習が効果的に同定できるかどうかを検討した。
持続性心室頻拍および心室細動に対する711 HC患者の電子健康記録をスキャンした。
心室頻拍または心室細動(n = 61)の患者をvar例、残りの(n = 650)を非varと分類した。
2-sample t 試験と情報ゲイン基準を用いて,VAr と非VAr を区別する最も有意義な臨床変数を同定した。
オーバーサンプリング法とアンダーサンプリング法の併用により,VAr症例の少ないデータ不均衡に対処し,本手法を用いて複数の分類器を訓練,試験し,効果的な分類方法を示した。
臨床的変数は93例, VArは22例であった。
この22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、VArと非VArのケース(感度 = 0.73, 特異性 = 0.76, C-index = 0.83)を分離するのに最も効果的であった。
我々の手法 (HCM-VAr-Risk Model) は, 確立した10個のSCD予測器に加えて, VArの新しい予測器を12個同定した。
結論として, 臨床属性を用いて, hc患者を同定するための機械学習の応用は, 初めてである。
関連論文リスト
- rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。
提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
論文 参考訳（メタデータ） (2024-10-09T11:17:02Z) - 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) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - ECG-Based Patient Identification: A Comprehensive Evaluation Across Health and Activity Conditions [0.0]
本稿では,心電図信号を用いた医療システムにおける患者識別のための新しいアプローチを提案する。
畳み込みニューラルネットワーク(CNN)は、心電図信号から派生した特定のタイプの画像である心電図に基づいてユーザを分類するために使用される。
提案した同定システムは複数のデータベースで評価され、健常者では99.84%、循環器疾患では97.09%、健常者および不整脈患者では97.89%である。
論文 参考訳（メタデータ） (2023-02-13T17:14:55Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - Machine Learning Methods for Identifying Atrial Fibrillation Cases and
Their Predictors in Patients With Hypertrophic Cardiomyopathy: The
HCM-AF-Risk Model [0.3904666078483698]
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。
論文 参考訳（メタデータ） (2021-09-19T20:00:49Z) - Ensemble machine learning approach for screening of coronary heart
disease based on echocardiography and risk factors [19.076443235356873]
我々は,モデル積み重ねにより,多くの一般的な分類手法を統合する機械学習アプローチを開発した。
CHD分類の精度は,テストセットで約70%から87.7%に向上した。
論文 参考訳（メタデータ） (2021-05-20T11:04:58Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Estimation of atrial fibrillation from lead-I ECGs: Comparison with
cardiologists and machine learning model (CurAlive), a clinical validation
study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。
本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文 参考訳（メタデータ） (2021-04-15T12:50:16Z) - 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) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳（メタデータ） (2020-06-15T21:01:33Z)
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。