論文の概要: Detection of sepsis during emergency department triage using machine
learning
- arxiv url: http://arxiv.org/abs/2204.07657v6
- Date: Thu, 15 Jun 2023 00:57:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-17 04:24:30.686783
- Title: Detection of sepsis during emergency department triage using machine
learning
- Title(参考訳): 機械学習を用いた救急部トリアージ中の敗血症検出
- Authors: Oleksandr Ivanov, Karin Molander, Robert Dunne, Stephen Liu, Deena
Brecher, Kevin Masek, Erica Lewis, Lisa Wolf, Debbie Travers, Deb Delaney,
Kyla Montgomery, Christian Reilly
- Abstract要約: セプシス(Sepsis)は、臓器機能不全の生命を脅かす疾患であり、世界中で死と致命的な病気の原因となっている。
16病院のトリアージデータを用いた機械学習モデル(KATE Sepsis)を開発した。
KATEセプシスモデルでは、重篤な敗血症を検知する感度が77.67%(75.78% -79.42%)、敗血症を検知する感度が86.95%(84.2% -88.81%)である。
- 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. Even a few hours of
delay in the treatment of sepsis results in increased mortality. Early
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 compare sepsis detection
performance at ED triage (prior to the use of laboratory diagnostics) of the
standard sepsis screening algorithm (SIRS with source of infection) and a
machine learning algorithm trained on EHR triage data. A machine learning model
(KATE Sepsis) was developed using patient encounters with triage data from
16participating hospitals. KATE Sepsis and standard screening were
retrospectively evaluated on the adult population of 512,949 medical records.
KATE Sepsis demonstrates an AUC of 0.9423 (0.9401 - 0.9441) with sensitivity of
71.09% (70.12% - 71.98%) and specificity of 94.81% (94.75% - 94.87%). Standard
screening demonstrates an AUC of 0.6826 (0.6774 - 0.6878) with sensitivity of
40.8% (39.71% - 41.86%) and specificity of 95.72% (95.68% - 95.78%). The KATE
Sepsis model trained to detect sepsis demonstrates 77.67% (75.78% -79.42%)
sensitivity in detecting severe sepsis and 86.95% (84.2% - 88.81%) sensitivity
in detecting septic shock. The standard screening protocol demonstrates 43.06%
(41% - 45.87%) sensitivity in detecting severe sepsis and40% (36.55% - 43.26%)
sensitivity in detecting septic shock. Future research should focus on the
prospective impact of KATE Sepsis on administration of antibiotics, readmission
rate, morbidity and mortality.
- 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。
敗血症の治療が数時間遅れても死亡率が上昇する。
緊急部トリアージ中の敗血症の早期発見は、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、標準敗血症スクリーニングアルゴリズム(感染源を含むsirs)のedトリアージにおける敗血症検出性能と、ehlトリアージデータに基づいて訓練された機械学習アルゴリズムを比較することである。
16病院のトリアージデータを用いた機械学習モデル(KATE Sepsis)を開発した。
KATEシープシスと標準スクリーニングは、成人の医療記録512,949件を振り返って評価した。
KATE Sepsis の AUC は 0.9423 (0.9401 - 0.9441) であり、感度は 71.09% (70.12% - 71.98%)、特異性は94.81% (94.75% - 94.87%) である。
標準スクリーニングは、感度が40.8%(39.71% - 41.86%)、特異性95.72%(95.68% - 95.78%)のauc(0.6774 - 0.6878)を示す。
kate sepsisモデルは、77.67% (75.78% -79.42%) の重症敗血症検出感度、86.95% (84.2% - 88.81%) の敗血症性ショック検出感度を示す。
標準スクリーニングプロトコルは、重症敗血症の検出感度が43.06% (41% - 45.87%)、敗血症性ショック検出感度が40% (36.55% - 43.26%)であることを示している。
今後の研究は、KATE Sepsisの抗生物質、寛容率、致死率、死亡率に対する将来的な影響に焦点を当てるべきである。
関連論文リスト
- 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) - Early prediction of onset of sepsis in Clinical Setting [0.8471078314535754]
教師付き学習手法が採用され、列車データセットの80%をXGBoostモデルでトレーニングした。
モデルは、トレーニング期間中に全く見えなかった予測データに基づいて検証された。
このモデルでは、試験データでは0.494点、予測データでは0.378点の正常化ユーティリティスコアが得られた。
論文 参考訳(メタデータ) (2024-02-05T19:58:40Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳(メタデータ) (2023-02-02T08:45:17Z) - Integrating Physiological Time Series and Clinical Notes with
Transformer for Early Prediction of Sepsis [10.791880225915255]
セプシスはICU (Intensive Care Units) の主要な死因である。
早期敗血症予測のためのマルチモーダル変圧器モデルを提案する。
ICU入院後36ドル以内の患者に対して, 生理的時系列データと臨床記録を用いて検討した。
論文 参考訳(メタデータ) (2022-03-28T03:19:03Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳(メタデータ) (2021-09-18T02:28:01Z) - 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) - Machine learning-based analysis of hyperspectral images for automated
sepsis diagnosis [28.77667667876798]
ハイパースペクトル画像データに基づく自動機械学習による敗血症診断は、これまで検討されていない。
我々は、既存のデータを用いて、980,%以上の精度で敗血症を分類することができたが、調査では、いくつかの主題、治療、画像関連共同設立者も明らかにした。
論文 参考訳(メタデータ) (2021-06-15T21:33:59Z) - 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。