論文の概要: The leap to ordinal: functional prognosis after traumatic brain injury using artificial intelligence

• arxiv url: http://arxiv.org/abs/2202.04801v1
• Date: Thu, 10 Feb 2022 02:29:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-12 05:39:27.361425
• Title: The leap to ordinal: functional prognosis after traumatic brain injury using artificial intelligence
• Title（参考訳）: オーディナルへの跳躍 : 人工知能を用いた外傷性脳損傷後の機能予後
• Authors: Shubhayu Bhattacharyay, Ioan Milosevic, Lindsay Wilson, David K. Menon, Robert D. Stevens, Ewout W. Steyerberg, David W. Nelson, Ari Ercole and the CENTER-TBI investigators and participants
• Abstract要約: TBIの結果はGlasgow Outcome Scale-Extended (GOSE)によって8つに分類される。 既存のICU予測モデルは、GOSEの一定の閾値でバイナリ結果を予測する。 各GOSEスコアの確率を同時に予測する順序予測モデルを開発した。
• 参考スコア（独自算出の注目度）: 1.4887102120051716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a patient is admitted to the intensive care unit (ICU) after a traumatic brain injury (TBI), an early prognosis is essential for baseline risk adjustment and shared decision making. TBI outcomes are commonly categorised by the Glasgow Outcome Scale-Extended (GOSE) into 8, ordered levels of functional recovery at 6 months after injury. Existing ICU prognostic models predict binary outcomes at a certain threshold of GOSE (e.g., prediction of survival [GOSE>1] or functional independence [GOSE>4]). We aimed to develop ordinal prediction models that concurrently predict probabilities of each GOSE score. From a prospective cohort (n=1,550, 65 centres) in the ICU stratum of the Collaborative European NeuroTrauma Effectiveness Research in TBI (CENTER-TBI) patient dataset, we extracted all clinical information within 24 hours of ICU admission (1,151 predictors) and 6-month GOSE scores. We analysed the effect of 2 design elements on ordinal model performance: (1) the baseline predictor set, ranging from a concise set of 10 validated predictors to a token-embedded representation of all possible predictors, and (2) the modelling strategy, from ordinal logistic regression to multinomial deep learning. With repeated k-fold cross-validation, we found that expanding the baseline predictor set significantly improved ordinal prediction performance while increasing analytical complexity did not. Half of these gains could be achieved with the addition of 8 high-impact predictors (2 demographic variables, 4 protein biomarkers, and 2 severity assessments) to the concise set. At best, ordinal models achieved 0.76 (95% CI: 0.74-0.77) ordinal discrimination ability (ordinal c-index) and 57% (95% CI: 54%-60%) explanation of ordinal variation in 6-month GOSE (Somers' D). Our results motivate the search for informative predictors for higher GOSE and the development of ordinal dynamic prediction models.
• Abstract（参考訳）: 外傷性脳損傷(tbi)後に集中治療室(icu)に入院した場合、基礎的リスク調整と意思決定の共有には早期の予後が不可欠である。 tbiの結果はglasgow outcome scale-extended (gose) によって一般的に8に分類され、損傷後6ヶ月で機能回復が整った。 既存のICU予測モデルは、GOSEの一定の閾値でバイナリ結果を予測する(例えば、生存予測[GOSE>1]または機能独立予測(GOSE>4])。 各goseスコアの確率を同時予測する順序予測モデルの開発を目標とした。 tbi(center-tbi)患者データセットにおける欧州神経路効果研究の共同研究のicu層内の有望なコホート(n=1,550,65センター)から、icu入所24時間以内のすべての臨床情報(1,151名)と6ヶ月のgoseスコアを抽出した。 1)検証された10個の予測器の簡潔なセットから,可能なすべての予測器のトークン埋め込み表現まで,(2)順序ロジスティック回帰から多項ディープラーニングまでのモデリング戦略,の2つの設計要素が順序モデル性能に及ぼす影響を分析した。 k-foldクロスバリデーションを繰り返した結果,ベースライン予測器セットの拡張により順序予測性能が大幅に向上したが,解析の複雑さが増すことはなかった。 これらの利得の半数は、簡潔なセットに8つの高影響予測因子(人口統計変数、2つのタンパク質バイオマーカー、2つの重症度評価)を追加することで達成できる。 概ね、順序モデルは 0.76 (95% ci: 0.74-0.77) の順序識別能力 (ordinal c-index) と 57% (95% ci: 54%-60%) を達成し、6ヶ月のゴス (somers' d) の順序変化の説明を行った。 以上の結果から,より高次なgoseのインフォメーション予測器の探索と,順序動的予測モデルの開発が動機となった。

関連論文リスト

• 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)
• Advanced Meta-Ensemble Machine Learning Models for Early and Accurate Sepsis Prediction to Improve Patient Outcomes [0.0]
  本報告では, 全身性炎症性反応症候群, 早期警戒スコア, クイックシークエンシャル臓器不全評価など, 従来の敗血症スクリーニングツールの限界について検討する。 本稿では,機械学習技術 - ランダムフォレスト, エクストリームグラディエントブースティング, 決定木モデル - を用いて, セプシスの発症を予測することを提案する。 本研究は,これらのモデルについて,精度,精度,リコール,F1スコア,受信器動作特性曲線の下での領域といった重要な指標を用いて,個別かつ組み合わせたメタアンサンブルアプローチで評価する。
  論文  参考訳（メタデータ） (2024-07-11T00:51:32Z)
• 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)
• Mining the contribution of intensive care clinical course to outcome after traumatic brain injury [1.4887102120051716]
  医療記録に格納された全異種データ(ICUおよびICU変数1,166)を統合する。 我々は、すべての変数のトークン埋め込み時系列表現をマップするために、繰り返しニューラルネットワークモデルを訓練する。 最も貢献度の高い変数には、医師ベースの予後、CTの特徴、神経機能マーカーなどがある。
  論文  参考訳（メタデータ） (2023-03-08T14:48:30Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
  我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。 入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。 以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T02:44:52Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。