論文の概要: Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients
- arxiv url: http://arxiv.org/abs/2205.05009v1
- Date: Tue, 10 May 2022 16:22:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 20:29:15.727877
- Title: Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients
- Title(参考訳): CTスキャンから抽出したDeep Learning-based Featuresを用いたCOVID-19患者の予後予測
- Authors: Sai Vidyaranya Nuthalapati, Marcela Vizcaychipi, Pallav Shah, Piotr
Chudzik, Chee Hau Leow, Paria Yousefi, Ahmed Selim, Keiran Tait and Ben
Irving
- Abstract要約: Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
- 参考スコア(独自算出の注目度): 0.4841303207359715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The COVID-19 pandemic has had a considerable impact on day-to-day life.
Tackling the disease by providing the necessary resources to the affected is of
paramount importance. However, estimation of the required resources is not a
trivial task given the number of factors which determine the requirement. This
issue can be addressed by predicting the probability that an infected patient
requires Intensive Care Unit (ICU) support and the importance of each of the
factors that influence it. Moreover, to assist the doctors in determining the
patients at high risk of fatality, the probability of death is also calculated.
For determining both the patient outcomes (ICU admission and death), a novel
methodology is proposed by combining multi-modal features, extracted from
Computed Tomography (CT) scans and Electronic Health Record (EHR) data. Deep
learning models are leveraged to extract quantitative features from CT scans.
These features combined with those directly read from the EHR database are fed
into machine learning models to eventually output the probabilities of patient
outcomes. This work demonstrates both the ability to apply a broad set of deep
learning methods for general quantification of Chest CT scans and the ability
to link these quantitative metrics to patient outcomes. The effectiveness of
the proposed method is shown by testing it on an internally curated dataset,
achieving a mean area under Receiver operating characteristic curve (AUC) of
0.77 on ICU admission prediction and a mean AUC of 0.73 on death prediction
using the best performing classifiers.
- Abstract(参考訳): 新型コロナウイルスのパンデミックは日々の生活に大きな影響を与えている。
患者に必要な資源を提供することで、病気に取り組むことは極めて重要である。
しかし,要件を決定する要因の数を考えると,必要なリソースの推定は簡単な作業ではない。
この問題は、感染した患者がICU(Intensive Care Unit)の支援を必要とする確率と、それに影響を与える各要因の重要性を予測することで解決できる。
また、死亡リスクの高い患者を判定する医師を支援するために、死亡確率も算出する。
入院と死亡の両方を決定するため,ctスキャンと電子健康記録(ehr)データから抽出したマルチモーダル特徴を組み合わせる新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴とEHRデータベースから直接読み取ったものを組み合わせて機械学習モデルに入力され、最終的には患者結果の確率が出力される。
この研究は、胸部CTスキャンの一般的な定量化に幅広いディープラーニング手法を適用する能力と、これらの定量的メトリクスを患者の結果にリンクする能力の両方を示す。
提案手法の有効性は, 内部キュレートされたデータセット上で検証し, ICUの入室予測における受信者動作特性曲線(AUC)平均面積0.77, 最高の動作分類器を用いた死亡予測平均AUC0.73を達成することにより示される。
関連論文リスト
- Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients [1.0874223087191939]
本研究の目的は,深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討することである。
臨床およびRT-PCRがどちらが信頼性が高いかを予測するための予測に与える影響について検討した。
その結果, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
論文 参考訳(メタデータ) (2023-11-23T11:21:40Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳(メタデータ) (2023-08-24T05:26:56Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - Mortality Prediction with Adaptive Feature Importance Recalibration for
Peritoneal Dialysis Patients: a deep-learning-based study on a real-world
longitudinal follow-up dataset [19.7915762858399]
終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである
本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。
本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
論文 参考訳(メタデータ) (2023-01-17T13:17:54Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳(メタデータ) (2021-12-19T01:45:57Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - A hybrid machine learning/deep learning COVID-19 severity predictive
model from CT images and clinical data [0.0]
患者を非icuとicuの2つのカテゴリーに分類するハイブリッド機械学習/深層学習モデルを開発した。
ベースラインCT画像の3次元患者レベルのCNN分類器を特徴抽出器として用いる。
本モデルは,臨床診断を医師に提供し,結果クラスに属する確率スコアと特徴のケースベースSHAPによる解釈を提供することを目的としている。
論文 参考訳(メタデータ) (2021-05-13T08:39:56Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳(メタデータ) (2020-07-20T19:08:50Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z)
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。