論文の概要: Accurate detection of sepsis at ED triage using machine learning with
clinical natural language processing
- arxiv url: http://arxiv.org/abs/2204.07657v1
- Date: Fri, 15 Apr 2022 21:57:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 13:29:40.336188
- Title: Accurate detection of sepsis at ED triage using machine learning with
clinical natural language processing
- Title（参考訳）: 臨床自然言語処理による機械学習によるEDトリアージ敗血症の正確な検出
- Authors: Oleksandr Ivanov, Karen Molander, Robert Dunne, Stephen Liu, Kevin
Masek, Erica Lewis, Lisa Wolf, Debbie Travers, Deena Brecher, Deb Delaney,
Kyla Montgomery, Christian Reilly
- Abstract要約: 16の病院から得られたトリアージデータを用いて機械学習モデル(KATE Sepsis)を開発した。
KATE Sepsisは、一般的に使用されるスクリーニングプロトコルよりも、トリアージにおけるセプシス検出性能が大幅に向上した。
- 参考スコア（独自算出の注目度）: 13.553957919946638
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sepsis is a life-threatening condition with organ dysfunction and is a
leading cause of death and critical illness worldwide. Accurate detection of
sepsis during emergency department triage would allow early initiation of lab
analysis, antibiotic administration, and other sepsis treatment protocols. The
purpose of this study was to determine whether EHR data can be extracted and
synthesized with the latest machine learning algorithms (KATE Sepsis) and
clinical natural language processing to produce accurate sepsis models, and
compare KATE Sepsis performance with existing sepsis screening protocols, such
as SIRS and qSOFA. A machine learning model (KATE Sepsis) was developed using
patient encounters with triage data from 16 participating hospitals. KATE
Sepsis, SIRS, standard screening (SIRS with source of infection) and qSOFA were
tested in three settings. Cohort-A was a retrospective analysis on medical
records from a single Site 1. Cohort-B was a prospective analysis of Site 1.
Cohort-C was a retrospective analysis on Site 1 with 15 additional sites.
Across all cohorts, KATE Sepsis demonstrates an AUC of 0.94-0.963 with
73-74.87% TPR and 3.76-7.17% FPR. Standard screening demonstrates an AUC of
0.682-0.726 with 39.39-51.19% TPR and 2.9-6.02% FPR. The qSOFA protocol
demonstrates an AUC of 0.544-0.56, with 10.52-13.18% TPR and 1.22-1.68% FPR.
For severe sepsis, across all cohorts, KATE Sepsis demonstrates an AUC of
0.935-0.972 with 70-82.26% TPR and 4.64-8.62% FPR. For septic shock, across all
cohorts, KATE Sepsis demonstrates an AUC of 0.96-0.981 with 85.71-89.66% TPR
and 4.85-8.8% FPR. SIRS, standard screening, and qSOFA demonstrate low AUC and
TPR for severe sepsis and septic shock detection. KATE Sepsis provided
substantially better sepsis detection performance in triage than commonly used
screening protocols.
- Abstract（参考訳）: 敗血症は臓器機能不全を伴う生命を脅かす疾患であり、世界でも主要な死因である。
緊急部トリアージ中の敗血症の正確な検出は、実験室分析、抗生物質投与、その他の敗血症治療プロトコルの早期開始を可能にする。
本研究の目的は,最新の機械学習アルゴリズム(KATE Sepsis)と臨床自然言語処理を用いてEHRデータを抽出,合成し,正確なセプシスモデルを作成することであり,SIRSやqSOFAなどの既存のセプシススクリーニングプロトコルとKATE Sepsisの性能を比較した。
16の病院から得られたトリアージデータを用いて機械学習モデル(KATE Sepsis)を開発した。
kate sepsis, sirs, standard screening (sirs with source of infection)およびqsofaを3つの設定でテストした。
Cohort-Aは、1つのSite 1からの医療記録の振り返り分析である。
Cohort-BはSite 1の予測分析である。
Cohort-Cは15のサイトを持つSite 1の振り返り分析である。
すべてのコホートの中で、KATE Sepsisは73-74.87%のTPRと3.76-7.17%のFPRを持つ0.94-0.963のAUCを示す。
標準スクリーニングでは、AUCは0.682-0.726、TPRは39.39-51.19%、FPRは2.9-6.02%である。
qSOFAプロトコルでは、AUCは0.544-0.56、TPRは10.52-13.18%、FPRは1.22-1.68%である。
重篤な敗血症では全てのコホートで、KATE Sepsisは70-82.26%のTPRと4.64-8.62%のFPRを持つ0.935-0.972のAUCを示す。
すべてのコホートに対して、KATE Sepsisは85.71-89.66%のTPRと4.85-8.8%のFPRを持つ0.96-0.981のAUCを示す。
SIRS, 標準スクリーニング, qSOFAは, 重篤な敗血症と敗血症性ショック検出に対するAUCおよびTPRの低下を示した。
KATE Sepsisは、一般的に使用されるスクリーニングプロトコルよりも、トリアージにおけるセプシス検出性能が大幅に向上した。
関連論文リスト
- TBBC: Predict True Bacteraemia in Blood Cultures via Deep Learning [0.0]
バクテリア血症(Bacteraemia)は、高い死亡率と死亡率を持つ血流感染症であり、重要な診断上の課題である。
この論文は、細菌性貧血を予測するための最適な機械学習技術を特定し、セント・アントニウス病院の救急部門のデータを用いて予測モデルを開発することを目的としている。
論文 参考訳（メタデータ） (2024-10-25T05:25:01Z) - New spectral imaging biomarkers for sepsis and mortality in intensive care [0.23592579902069336]
本研究の推進的仮説は、高スペクトルイメージング(HSI)が敗血症診断および治療管理のための新しいバイオマーカーを提供することができるというものであった。
集中治療室入院当日480名以上の患者の手のひらと指のHSIデータを総合的に調査した。
論文 参考訳（メタデータ） (2024-08-19T10:24:57Z) - 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) - Rapid and Accurate Diagnosis of Acute Aortic Syndrome using Non-contrast CT: A Large-scale, Retrospective, Multi-center and AI-based Study [22.886299062772693]
胸部痛症状は、急性大動脈症候群(AAS)が壊滅性心血管疾患であり、死亡率が高い救急部(EDs)で多い。
EDの現在のトリアージの実践は、AAS患者の最大半数が、当初診断に失敗したり、他の急性胸痛の症状があるとして誤診されたりする可能性がある。
非コントラストCTを用いた人工知能モデル(DeepAAS)を開発した。
論文 参考訳（メタデータ） (2024-06-14T02:15:09Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - 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) - 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) - 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) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z)
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。