論文の概要: Predicting Antimicrobial Resistance in the Intensive Care Unit
- arxiv url: http://arxiv.org/abs/2111.03575v1
- Date: Fri, 5 Nov 2021 15:50:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 15:44:29.973585
- Title: Predicting Antimicrobial Resistance in the Intensive Care Unit
- Title（参考訳）: 集中治療室における抗菌力の予測
- Authors: Taiyao Wang, Kyle R. Hansen, Joshua Loving, Ioannis Ch. Paschalidis,
Helen van Aggelen and Eran Simhon
- Abstract要約: 本研究は,臨床および微生物学的予測器を用いたAMRの予測モデルを開発する。
培養前の抵抗を正確に予測できる能力は、臨床的な意思決定を知らせ、行動までの時間を短縮する可能性がある。
- 参考スコア（独自算出の注目度）: 5.129856875153228
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Antimicrobial resistance (AMR) is a risk for patients and a burden for the
healthcare system. However, AMR assays typically take several days. This study
develops predictive models for AMR based on easily available clinical and
microbiological predictors, including patient demographics, hospital stay data,
diagnoses, clinical features, and microbiological/antimicrobial characteristics
and compares those models to a naive antibiogram based model using only
microbiological/antimicrobial characteristics. The ability to predict the
resistance accurately prior to culturing could inform clinical decision-making
and shorten time to action. The machine learning algorithms employed here show
improved classification performance (area under the receiver operating
characteristic curve 0.88-0.89) versus the naive model (area under the receiver
operating characteristic curve 0.86) for 6 organisms and 10 antibiotics using
the Philips eICU Research Institute (eRI) database. This method can help guide
antimicrobial treatment, with the objective of improving patient outcomes and
reducing the usage of unnecessary or ineffective antibiotics.
- Abstract（参考訳）: 抗微生物抵抗性(AMR)は、患者のリスクと医療システムの負担である。
しかし、AMRアッセイは通常数日かかる。
本研究は, 患者統計, 病院滞在データ, 診断, 臨床特徴, 微生物・抗菌特性など, 容易に利用できる臨床・微生物学的予測因子に基づくAMRの予測モデルを構築し, 微生物・抗菌特性のみを用いたナイーブ・アンチバイオグラムモデルと比較した。
培養前の耐性を正確に予測する能力は、臨床意思決定に役立ち、行動までの時間を短縮することができる。
ここでの機械学習アルゴリズムは, 生物6種, 抗生物質10種に対してPhilips eICU Research Institute (eRI)データベースを用いて, ナイーブモデル(受信操作特性曲線0.88-0.89)に対して, 分類性能の改善(受信操作特性曲線0.08-0.89)を示した。
この方法は、患者の予後を改善し、不要または非有効抗生物質の使用を減らすことを目的として、抗菌治療を導くのに役立つ。
関連論文リスト
- Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients [7.727213847237959]
本研究では,GRU(Gated Recurrent Units)と高度な内在的・ポストホック的解釈可能性技術を統合した新しい手法を提案する。
ICU患者に対するMDR(Multidrug-Resistant)感染に関連する危険因子の特定を目的とした。
論文 参考訳（メタデータ） (2024-07-24T11:12:01Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Prediction of drug effectiveness in rheumatoid arthritis patients based
on machine learning algorithms [2.5759046095742453]
慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。
機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。
本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
論文 参考訳（メタデータ） (2022-10-14T15:15:37Z) - Joint Application of the Target Trial Causal Framework and Machine
Learning Modeling to Optimize Antibiotic Therapy: Use Case on Acute Bacterial
Skin and Skin Structure Infections due to Methicillin-resistant
Staphylococcus aureus [5.611469725376418]
メチシリン耐性黄色ブドウ球菌(MRSA)による急性細菌性皮膚・皮膚構造感染症(ABSSSI)の死亡予測とITE推定の機械学習モデルを開発した。
まず、確率スコアマッチングを用いて臨床試験をエミュレートし、ランダム化された治療データセット(バンコマイシンと他の抗生物質)を作成します。
次に、このデータを用いて様々な機械学習手法(強化/LASSOロジスティック回帰、サポートベクターマシン、ランダムフォレストなど)を訓練し、ブートストラップ検証により受信特性(AUC)の下の領域で最適なモデルを選択する。
論文 参考訳（メタデータ） (2022-07-15T13:08:15Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Machine learning techniques to identify antibiotic resistance in
patients diagnosed with various skin and soft tissue infections [1.897172519574925]
皮膚および軟部組織感染症(SSTIs)は、最も頻度の高い疾患の1つである。
多様な細菌性病原体の抗生物質に対する耐性は、重篤なSSTIの重大な原因である。
我々は、抗生物質感受性試験データを用いて、抗菌性を予測する機械学習(ML)モデルを開発した。
論文 参考訳（メタデータ） (2022-02-28T01:08:02Z) - Synthesizing time-series wound prognosis factors from electronic medical
records using generative adversarial networks [0.0]
創傷予後因子を合成するためにgans(time series medical generative adversarial networks)を開発した。
条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。
論文 参考訳（メタデータ） (2021-05-03T20:26:48Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。