論文の概要: Performance of multilabel machine learning models and risk stratification schemas for predicting stroke and bleeding risk in patients with non-valvular atrial fibrillation

• arxiv url: http://arxiv.org/abs/2202.01975v1
• Date: Wed, 2 Feb 2022 15:15:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 16:08:56.539919
• Title: Performance of multilabel machine learning models and risk stratification schemas for predicting stroke and bleeding risk in patients with non-valvular atrial fibrillation
• Title（参考訳）: 非弁膜性心房細動患者における脳卒中および出血リスク予測のための多ラベル機械学習モデルとリスク階層化スキーマの性能
• Authors: Juan Lu, Rebecca Hutchens, Joseph Hung, Mohammed Bennamoun, Brendan McQuillan, Tom Briffa, Ferdous Sohel, Kevin Murray, Jonathon Stewart, Benjamin Chow, Frank Sanfilippo, Girish Dwivedi
• Abstract要約: マルチラベル勾配押し上げ機は、脳卒中、大出血、死亡に最適な識別力を与えた。 モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。
• 参考スコア（独自算出の注目度）: 22.45448597986172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Appropriate antithrombotic therapy for patients with atrial fibrillation (AF) requires assessment of ischemic stroke and bleeding risks. However, risk stratification schemas such as CHA2DS2-VASc and HAS-BLED have modest predictive capacity for patients with AF. Machine learning (ML) techniques may improve predictive performance and support decision-making for appropriate antithrombotic therapy. We compared the performance of multilabel ML models with the currently used risk scores for predicting outcomes in AF patients. Materials and Methods This was a retrospective cohort study of 9670 patients, mean age 76.9 years, 46% women, who were hospitalized with non-valvular AF, and had 1-year follow-up. The primary outcome was ischemic stroke and major bleeding admission. The secondary outcomes were all-cause death and event-free survival. The discriminant power of ML models was compared with clinical risk scores by the area under the curve (AUC). Risk stratification was assessed using the net reclassification index. Results Multilabel gradient boosting machine provided the best discriminant power for stroke, major bleeding, and death (AUC = 0.685, 0.709, and 0.765 respectively) compared to other ML models. It provided modest performance improvement for stroke compared to CHA2DS2-VASc (AUC = 0.652), but significantly improved major bleeding prediction compared to HAS-BLED (AUC = 0.522). It also had a much greater discriminant power for death compared with CHA2DS2-VASc (AUC = 0.606). Also, models identified additional risk features (such as hemoglobin level, renal function, etc.) for each outcome. Conclusions Multilabel ML models can outperform clinical risk stratification scores for predicting the risk of major bleeding and death in non-valvular AF patients.
• Abstract（参考訳）: 心房細動(AF)に対する適切な抗血栓療法には虚血性脳梗塞と出血リスクの評価が必要である。 しかし、CHA2DS2-VAScやHAS-BLEDのようなリスク階層化スキーマは、AF患者にとって控えめな予測能力を有する。 機械学習(ML)技術は、予測性能を改善し、適切な抗血栓療法のための意思決定を支援する。 我々は,多ラベルMLモデルの性能と現在使用されているリスクスコアを比較し,AF患者の予後を予測する。 資料と方法 9670例,平均年齢76.9歳,女性46%,非弁膜性afで入院し,1年間の経過観察を行った。 初診時より虚血性脳梗塞と大量出血を認めた。 第2の結果は死と無事象生存が原因であった。 mlモデルの識別力と臨床リスクスコアを曲線下の領域(auc)で比較した。 リスク階層化はnet reclassification indexを用いて評価された。 結果 マルチラベル勾配押し上げ機は,他のMLモデルと比較して,脳卒中,大出血,死亡(AUC=0.685,0.709,0.765)の識別力に優れていた。 CHA2DS2-VASc (AUC = 0.652) に比べ、ストロークの適度な性能向上を実現したが、HAS-BLED (AUC = 0.522) に比べて大きな出血予測が大幅に改善した。 また、CHA2DS2-VASc(AUC = 0.606)と比較すると、死に対する識別力もかなり高かった。 また、モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。 結論 マルチラベルmlモデルは,非弁膜性af患者の大量出血と死亡のリスクを予測するために,臨床リスク階層化スコアを上回ることができる。

関連論文リスト

• Optimizing Medication Decisions for Patients with Atrial Fibrillation through Path Development Network [4.682776828229116]
  心房細動(英: atrial fibrillation、AF)は、心房の急激な収縮と不規則な収縮を特徴とする一般的な不整脈である。 本研究では,AF患者に抗凝固療法を推奨すべきかどうかを予測する機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-18T14:31:11Z)
• 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)
• 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)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Predicting adverse outcomes following catheter ablation treatment for atrial fibrillation [2.202746751854349]
  AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。 伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
  論文  参考訳（メタデータ） (2022-11-22T02:55:51Z)
• BIO-CXRNET: A Robust Multimodal Stacking Machine Learning Technique for Mortality Risk Prediction of COVID-19 Patients using Chest X-Ray Images and Clinical Data [0.0]
  本研究は、イタリアで入院した930人の新型コロナウイルス患者のリスクを予測するために、25のバイオマーカーとCXR画像を用いている。 提案手法は精度、感度、F1スコアをそれぞれ89.03%、90.44%、89.03%とした。 ノモグラムに基づく採点法では、F1スコア92.88 %の高リスク患者の死亡確率を予測することができた。
  論文  参考訳（メタデータ） (2022-06-15T15:23:43Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• 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)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• A Physiology-Driven Computational Model for Post-Cardiac Arrest Outcome Prediction [0.7930054475711718]
  本研究の目的は,CA後の結果を予測する計算モデルを構築することである。 我々は、生理的時系列(PTS)データの統合と機械学習(ML)分類器の訓練によりモデル性能を向上させることができると仮定した。 その結果, MLモデルによるCA後予測モデルの有効性が証明され, PTSが短期成績確率を符号化した後のごく初期段階に記録されることが示唆された。
  論文  参考訳（メタデータ） (2020-02-09T07:53:50Z)

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。