論文の概要: Disparities in Social Determinants among Performances of Mortality Prediction with Machine Learning for Sepsis Patients

• arxiv url: http://arxiv.org/abs/2112.08224v1
• Date: Wed, 15 Dec 2021 15:57:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-16 18:28:15.835198
• Title: Disparities in Social Determinants among Performances of Mortality Prediction with Machine Learning for Sepsis Patients
• Title（参考訳）: 敗血症患者に対する機械学習による死亡予測における社会的要因の差異
• Authors: Hanyin Wang, Yikuan Li, Andrew Naidech, Yuan Luo
• Abstract要約: MIMIC-IIIデータベースから11,791人の重度ケア患者を解析した。 人種, 婚姻状況, 保険タイプ, 言語に関するサブ集団間で有意な差異が認められた。 アジア系,白人系,アジア系および他の人種の患者,および英語話者とスペイン語話者の死亡予測におけるパフォーマンスの相違について検討した。
• 参考スコア（独自算出の注目度）: 3.903647472355108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background Sepsis is one of the most life-threatening circumstances for critically ill patients in the US, while a standardized criteria for sepsis identification is still under development. Disparities in social determinants of sepsis patients can interfere with the risk prediction performances using machine learning. Methods Disparities in social determinants, including race, gender, marital status, insurance types and languages, among patients identified by six available sepsis criteria were revealed by forest plots. Sixteen machine learning classifiers were trained to predict in-hospital mortality for sepsis patients. The performance of the trained model was tested on the entire randomly conducted test set and each sub-population built based on each of the following social determinants: race, gender, marital status, insurance type, and language. Results We analyzed a total of 11,791 critical care patients from the MIMIC-III database. Within the population identified by each sepsis identification method, significant differences were observed among sub-populations regarding race, marital status, insurance type, and language. On the 5,783 sepsis patients identified by the Sepsis-3 criteria statistically significant performance decreases for mortality prediction were observed when applying the trained machine learning model on Asian and Hispanic patients. With pairwise comparison, we detected performance discrepancies in mortality prediction between Asian and White patients, Asians and patients of other races, as well as English-speaking and Spanish-speaking patients. Conclusions Disparities in proportions of patients identified by various sepsis criteria were detected among the different social determinant groups. To achieve accurate diagnosis, a versatile diagnostic system for sepsis is needed to overcome the social determinant disparities of patients.
• Abstract（参考訳）: セプシスは米国の重度の重篤な患者にとって最も命の危険を伴う状況の1つだが、セプシスの診断基準の標準化はまだ進行中である。 敗血症患者の社会的決定要因の相違は、機械学習を用いたリスク予測性能に干渉する可能性がある。 6つの敗血症基準で特定された患者のうち、人種、性別、婚姻状況、保険の種類、言語を含む社会的決定要因の方法の相違が森林計画によって明らかにされた。 敗血症患者の院内死亡を予測するために16種類の機械学習分類器を訓練した。 トレーニングされたモデルの性能はランダムに実施されたテストセット全体でテストされ、それぞれのサブポピュレーションは、人種、性別、婚姻状況、保険タイプ、言語の各社会的決定要因に基づいて構築された。 mimic-iiiデータベースから合計11,791名のクリティカルケア患者を解析した。 各セプシスの識別方法によって特定された集団内では、人種、婚姻状況、保険の種類、言語に関する下位集団間で有意な差が見られた。 アジアとヒスパニックの患者に機械学習モデルを適用した際,セプシス3基準で同定した5,783例において,死亡予測における統計的に有意なパフォーマンス低下が認められた。 対数比較の結果,アジア系と白人の死亡率予測,アジア系,その他の人種の患者,英語系とスペイン語系の患者の死亡率の差がみられた。 各種敗血症基準で同定された患者の割合の差は, 異なる社会的決定群間でみられた。 正確な診断には,患者の社会的要因の相違を克服するために,敗血症の多彩な診断システムが必要である。

関連論文リスト

• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  本研究の目的は,臨床専門家が院内死亡を予測できるように,解釈可能かつ正確なMLモデルを開発することである。 特定基準に基づいてMIMIC-IIIデータベースからICU患者の記録を分析し,関連データを抽出した。 ランダムフォレストモデルは敗血症関連院内死亡の予測に最も効果的であった。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• Automatic prediction of mortality in patients with mental illness using electronic health records [0.5957022371135096]
  本報告では,精神疾患患者の死亡率を予測するための永続的課題について述べる。 MIMIC-IIIデータセットから精神疾患の診断データを抽出した。 4つの機械学習アルゴリズムを使用し、ランダムフォレストとサポートベクターマシンのモデルが他のモデルよりも優れていたことを示す結果が得られた。
  論文  参考訳（メタデータ） (2023-10-18T17:21:01Z)
• Towards Fair Patient-Trial Matching via Patient-Criterion Level Fairness Constraint [50.35075018041199]
  本研究は,患者基準値の公正度制約を発生させることにより,公正な患者間マッチングの枠組みを提案する。 実世界における患者基準と患者基準の整合性に関する実験結果から,提案手法が偏りやすい予測を効果的に緩和できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T03:59:19Z)
• Predicting sepsis in multi-site, multi-national intensive care cohorts using deep learning [12.63135352255575]
  ICUにおける敗血症予測のための機械学習(ML)システムの開発と検証を行った。 我々の分析はMLを用いた敗血症予測のための多国間多中心ICU研究としては最大である。
  論文  参考訳（メタデータ） (2021-07-12T07:21:58Z)
• The Consequences of the Framing of Machine Learning Risk Prediction Models: Evaluation of Sepsis in General Wards [0.0]
  フレーミングがモデル性能とモデル学習に与える影響を4つの異なるアプローチで評価する。 デンマークの4自治体の221,283人の二次医療データを分析した。
  論文  参考訳（メタデータ） (2021-01-26T14:00:05Z)
• Personalized pathology test for Cardio-vascular disease: Approximate Bayesian computation with discriminative summary statistics learning [48.7576911714538]
  近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。 この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
  論文  参考訳（メタデータ） (2020-10-13T15:20:21Z)
• Machine Intelligence for Outcome Predictions of Trauma Patients During Emergency Department Care [0.0]
  外傷死亡は, 患者人口, 外傷特性, 医療提供, 医療施設の特徴など, 多数の非線形依存型リスク要因から生じる。 我々は、移動学習に基づく機械学習アルゴリズムが、限定回帰モデル基準に頼ることなく、死亡リスクの高い個人を正確に識別できると仮定した。 本モデルは, 年齢別比較モデルにおいて同様の性能を示し, 全年齢に同時に適用した場合によく一般化した。
  論文  参考訳（メタデータ） (2020-09-08T17:26:34Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。