論文の概要: Similarity-based prediction of Ejection Fraction in Heart Failure Patients

• arxiv url: http://arxiv.org/abs/2203.07124v1
• Date: Mon, 14 Mar 2022 14:19:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 17:42:23.123363
• Title: Similarity-based prediction of Ejection Fraction in Heart Failure Patients
• Title（参考訳）: 類似性に基づく心不全患者の射出率の予測
• Authors: Jamie Wallis, Andres Azqueta-Gavaldon, Thanusha Ananthakumar, Robert D\"urichen, Luca Albergante
• Abstract要約: 本稿では,FILL (Feature Imputation via Local Likelihood) という,データ駆動型統計機械学習手法を提案する。 我々は, 心不全患者に対して, 排液分画率(HFrEF, HFpEF)の低下と保存率の低下を鑑別し, 特に困難な問題を用いて本法を検証した。 これらの困難にもかかわらず,本手法は複数のシナリオを考慮した場合,80%以上の精度でHFpEFの心不全患者を推定できることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Biomedical research is increasingly employing real world evidence (RWE) to foster discoveries of novel clinical phenotypes and to better characterize long term effect of medical treatments. However, due to limitations inherent in the collection process, RWE often lacks key features of patients, particularly when these features cannot be directly encoded using data standards such as ICD-10. Here we propose a novel data-driven statistical machine learning approach, named Feature Imputation via Local Likelihood (FILL), designed to infer missing features by exploiting feature similarity between patients. We test our method using a particularly challenging problem: differentiating heart failure patients with reduced versus preserved ejection fraction (HFrEF and HFpEF respectively). The complexity of the task stems from three aspects: the two share many common characteristics and treatments, only part of the relevant diagnoses may have been recorded, and the information on ejection fraction is often missing from RWE datasets. Despite these difficulties, our method is shown to be capable of inferring heart failure patients with HFpEF with a precision above 80% when considering multiple scenarios across two RWE datasets containing 11,950 and 10,051 heart failure patients. This is an improvement when compared to classical approaches such as logistic regression and random forest which were only able to achieve a precision < 73%. Finally, this approach allows us to analyse which features are commonly associated with HFpEF patients. For example, we found that specific diagnostic codes for atrial fibrillation and personal history of long-term use of anticoagulants are often key in identifying HFpEF patients.
• Abstract（参考訳）: バイオメディカル研究は、新しい臨床表現型の発見を促進し、治療の長期的な効果をよりよく特徴付けるために、現実のエビデンス(rwe)をますます活用している。 しかし、収集プロセスに固有の制限のため、特にICD-10のようなデータ標準で直接コード化できない場合、RWEは患者の重要な特徴を欠くことが多い。 本稿では,患者間の特徴類似性を生かして,欠落した特徴を推測する新しいデータ駆動型統計的機械学習手法である「局所帰納法」(fill)を提案する。 本研究では, 心不全患者に対して, HFrEF と HFpEF をそれぞれ有意差で比較検討した。 タスクの複雑さは3つの側面に由来する: 2つの共通の特徴と治療を共有しており、関連する診断の一部のみが記録されており、射出率に関する情報がRWEデータセットから欠落することが多い。 これらの困難にもかかわらず,11,950人,10,051人の心不全患者を含む2つのRWEデータセットの複数のシナリオを考慮した場合,HFpEFの心不全患者を80%以上の精度で推定できることが示されている。 これはロジスティック回帰 (logistic regression) やランダムフォレスト (random forest) といった、精度 < 73% しか達成できなかった古典的なアプローチと比べて改善されている。 最後に、このアプローチにより、hfpef患者に共通する特徴を分析することができます。 例えば、心房細動の特定診断基準や長期抗凝固剤の使用歴が、HFpEF患者を特定する上で重要であることが判明した。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
  深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。 われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
  論文  参考訳（メタデータ） (2024-05-02T09:41:31Z)
• Mining Themes in Clinical Notes to Identify Phenotypes and to Predict Length of Stay in Patients admitted with Heart Failure [3.350712823657887]
  心不全 (Heart failure) は、心臓が血液や酸素を汲み上げず体内の他の臓器を支えられない場合に起こる症候群である。 心不全が疑われた患者の診断基準および処置報告の下位テーマを特定すれば、心不全に関連する臨床的表現型が明らかになる可能性がある。
  論文  参考訳（メタデータ） (2023-05-30T19:30:40Z)
• Towards dynamic multi-modal phenotyping using chest radiographs and physiological data [3.11179491890629]
  本稿では,モダリティ固有のデータ表現を学習し,補助的特徴を統合するための動的トレーニング手法を提案する。 MIMIC-IVおよび胸部X線写真を用いたMIMIC-CXRデータセットを用いた患者表現型検索の予備実験を行った。 このことは、表現型タスクにおける胸部画像モダリティの活用の利点を示し、医療応用におけるマルチモーダル学習の可能性を強調している。
  論文  参考訳（メタデータ） (2021-11-04T09:41:00Z)
• 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)
• 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)
• A random shuffle method to expand a narrow dataset and overcome the associated challenges in a clinical study: a heart failure cohort example [50.591267188664666]
  本研究の目的は、統計的に合法なHFデータセットのカーディナリティを高めるためにランダムシャッフル法を設計することであった。 提案されたランダムシャッフル法は、HFデータセットのカーディナリティを10回、およびランダムな繰り返し測定アプローチに続いて21回向上させることができた。
  論文  参考訳（メタデータ） (2020-12-12T10:59:38Z)
• Longitudinal modeling of MS patient trajectories improves predictions of disability progression [2.117653457384462]
  本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。 本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。 文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
  論文  参考訳（メタデータ） (2020-11-09T20:48:00Z)
• 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)
• Deep Learning Applied to Chest X-Rays: Exploiting and Preventing Shortcuts [11.511323714777298]
  本稿では,特定の属性を有する患者が興味を抱く可能性が極めて高い,突発性クラススキューの症例について検討する。 深層ネットは、診断の予測を学ぶ際に、性別(AUROC=0.96)や年齢(AUROC=0.90)を含む多くの患者属性を正確に識別できることを示す。 単純な転送学習アプローチは、ショートカットを防止し、優れたパフォーマンスを促進するのに驚くほど効果的である。
  論文  参考訳（メタデータ） (2020-09-21T18:52:43Z)

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。