論文の概要: Electrocardiographic Deep Learning for Predicting Post-Procedural Mortality

• arxiv url: http://arxiv.org/abs/2205.03242v1
• Date: Sat, 30 Apr 2022 05:14:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 01:14:25.830249
• Title: Electrocardiographic Deep Learning for Predicting Post-Procedural Mortality
• Title（参考訳）: 心電図深層学習による経時的死亡率の予測
• Authors: David Ouyang, John Theurer, Nathan R. Stein, J. Weston Hughes, Pierre Elias, Bryan He, Neal Yuan, Grant Duffy, Roopinder K. Sandhu, Joseph Ebinger, Patrick Botting, Melvin Jujjavarapu, Brian Claggett, James E. Tooley, Tim Poterucha, Jonathan H. Chen, Michael Nurok, Marco Perez, Adler Perotte, James Y. Zou, Nancy R. Cook, Sumeet S. Chugh, Susan Cheng and Christine M. Albert
• Abstract要約: 深層学習アルゴリズムは、術前の心電図からの波形信号を利用して術後の死亡を判別するために開発された。 深層学習モデルのリスク予測によって高いリスクと判断された患者は、術後死亡率8.83(5.57-13.20)の未調整オッズ比(OR)を持っていた。 新たな深層学習アルゴリズムが術前の心電図に適用されたことにより,術後の死亡率の識別が向上することを示す。
• 参考スコア（独自算出の注目度）: 9.192239774090208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background. Pre-operative risk assessments used in clinical practice are limited in their ability to identify risk for post-operative mortality. We hypothesize that electrocardiograms contain hidden risk markers that can help prognosticate post-operative mortality. Methods. In a derivation cohort of 45,969 pre-operative patients (age 59+- 19 years, 55 percent women), a deep learning algorithm was developed to leverage waveform signals from pre-operative ECGs to discriminate post-operative mortality. Model performance was assessed in a holdout internal test dataset and in two external hospital cohorts and compared with the Revised Cardiac Risk Index (RCRI) score. Results. In the derivation cohort, there were 1,452 deaths. The algorithm discriminates mortality with an AUC of 0.83 (95% CI 0.79-0.87) surpassing the discrimination of the RCRI score with an AUC of 0.67 (CI 0.61-0.72) in the held out test cohort. Patients determined to be high risk by the deep learning model's risk prediction had an unadjusted odds ratio (OR) of 8.83 (5.57-13.20) for post-operative mortality as compared to an unadjusted OR of 2.08 (CI 0.77-3.50) for post-operative mortality for RCRI greater than 2. The deep learning algorithm performed similarly for patients undergoing cardiac surgery with an AUC of 0.85 (CI 0.77-0.92), non-cardiac surgery with an AUC of 0.83 (0.79-0.88), and catherization or endoscopy suite procedures with an AUC of 0.76 (0.72-0.81). The algorithm similarly discriminated risk for mortality in two separate external validation cohorts from independent healthcare systems with AUCs of 0.79 (0.75-0.83) and 0.75 (0.74-0.76) respectively. Conclusion. The findings demonstrate how a novel deep learning algorithm, applied to pre-operative ECGs, can improve discrimination of post-operative mortality.
• Abstract（参考訳）: 背景。 臨床で使用される術前のリスクアセスメントは、術後死亡のリスクを特定する能力に制限がある。 心電図には術後死亡の診断に役立つ隠れた危険マーカーが含まれていると仮定する。 メソッド。 45,969人の術前患者の導出コホート(59歳以上19歳,55%女性)において,術前心電図からの波形信号を利用して術後死亡を判別する深層学習アルゴリズムを開発した。 モデル性能は, 内部テストデータセットと2つの外部病院コホートを用いて評価し, 改訂心リスク指標(RCRI)と比較した。 結果だ コホートでは1,452人が死亡した。 このアルゴリズムはAUCが0.83(95% CI 0.79-0.87)、AUCが0.67(CI 0.61-0.72)、RCRIが0.67(95% CI 0.79-0.87)と判定する。 深層学習モデルのリスク予測によりリスクが高いと判定された患者は、術後死亡率8.83 (5.57-13.20)、または術後死亡率2.08 (ci 0.77-3.50)の2。 深層学習アルゴリズムは、AUC0.85(CI 0.77-0.92)、AUC0.83(0.79-0.88)、AUC0.76(0.72-0.81)によるカテーテル化・内視鏡化手術と同じような方法で心臓手術を行った。 このアルゴリズムは、それぞれ0.79 (0.75-0.83) と 0.75 (0.74-0.76) の独立した医療システムから2つの独立した外部検証コホートで死亡リスクを識別した。 結論だ 本研究は, 術前心電図に応用した新しい深層学習アルゴリズムを用いて, 術後死亡率の判定を改善できることを示す。

関連論文リスト

• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• 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)
• 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)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• 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)
• Performance of multilabel machine learning models and risk stratification schemas for predicting stroke and bleeding risk in patients with non-valvular atrial fibrillation [22.45448597986172]
  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。
  論文  参考訳（メタデータ） (2022-02-02T15:15:03Z)
• Predicting Prostate Cancer-Specific Mortality with A.I.-based Gleason Grading [2.752534470219667]
  A.I.をベースとしたGleason grading を用いて前立腺癌特異的死亡率を予測するシステムを開発した。 前立腺摘出症例2,807例の個別振り返りコホートにおいて,リスクストラト化能力を評価した。
  論文  参考訳（メタデータ） (2020-11-25T02:05:24Z)
• Deep Learning Predicts Cardiovascular Disease Risks from Lung Cancer Screening Low Dose Computed Tomography [23.614559487371935]
  がん患者は一般人口よりも心血管疾患(CVD)の死亡リスクが高い。 肺がんスクリーニングのためのLDCTは、リスクの高い患者のCVDリスクを同時に推定する機会を提供する。 深層学習は、肺がんスクリーニングのためのLDCTを、CVDリスク推定のための二重スクリーニング定量的ツールに変換することができる。
  論文  参考訳（メタデータ） (2020-08-16T21:07:01Z)
• An early warning tool for predicting mortality risk of COVID-19 patients using machine learning [0.0]
  2020年1月10日から2月18日にかけて、東寺病院(中国)に入院した375人の新型コロナウイルス陽性患者を対象に、振り返り調査を行った。 新型コロナウイルス患者の死亡リスクを予測するため,ノモグラムが開発された。 総合スコア(LNLCA)を対応する死亡確率で算出した。
  論文  参考訳（メタデータ） (2020-07-29T15:16:09Z)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。