論文の概要: Prediction of Oral Food Challenges via Machine Learning
- arxiv url: http://arxiv.org/abs/2208.08268v1
- Date: Wed, 17 Aug 2022 12:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:09:30.197825
- Title: Prediction of Oral Food Challenges via Machine Learning
- Title(参考訳): 機械学習による口腔食品の課題予測
- Authors: Justin Zhang, Deborah Lee, Kylie Jungles, Diane Shaltis, Kayvan
Najarian, Rajan Ravikumar, Georgiana Sanders, Jonathan Gryak
- Abstract要約: 口腔食品チャレンジ(OFCs)は、患者の食物アレルギーを正確に診断するために必要である。
患者はOFCの実施をためらっており、その場合、農村部や市町村の医療環境におけるアレルギー者へのアクセスは限られている。
機械学習手法によるOFC結果の予測は、家庭における食品アレルゲンの非ラベル化を促進する。
- 参考スコア(独自算出の注目度): 3.542191739193648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Oral Food Challenges (OFCs) are essential to accurately diagnosing food
allergy in patients. However, patients are hesitant to undergo OFCs, and for
those that do, there is limited access to allergists in rural/community
healthcare settings. The prediction of OFC outcomes through machine learning
methods can facilitate the de-labeling of food allergens at home, improve
patient and physician comfort during OFCs, and economize medical resources by
minimizing the number of OFCs performed. Clinical data was gathered from 1,112
patients who collectively underwent a total of 1,284 OFCs, and consisted of
clinical factors including serum specific IgE, total IgE, skin prick tests
(SPTs), symptoms, sex, and age. Using these clinical features, machine learning
models were constructed to predict outcomes for peanut, egg, and milk
challenge. The best performing model for each allergen was created using the
Learning Using Concave and Convex Kernels (LUCCK) method, which achieved an
Area under the Curve (AUC) for peanut, egg, and milk OFC prediction of 0.76,
0.68, and 0.70, respectively. Model interpretation via SHapley Additive
exPlanations (SHAP) indicate that specific IgE, along with wheal and flare
values from SPTs, are highly predictive of OFC outcomes. The results of this
analysis suggest that machine learning has the potential to predict OFC
outcomes and reveal relevant clinical factors for further study.
- Abstract(参考訳): 口腔内食問題 (ofc) は患者の食物アレルギーの正確な診断に不可欠である。
しかし、患者はOFCの実施をためらっており、その場合、農村部や市町村の医療環境におけるアレルギー者へのアクセスは限られている。
機械学習手法によるOFC結果の予測は、家庭における食品アレルゲンのラベル解除を容易にし、OFC中の患者や医師の快適性を改善し、OFCの実施数を最小化して医療資源を節約する。
総患者数は1,284例で, 血清ige, 総ige, 皮膚prick test (spts) , 症状, 性別, 年齢など, 臨床因子は1,112例であった。
これらの臨床的特徴を用いて、ピーナッツ、卵、牛乳の課題の結果を予測する機械学習モデルを構築した。
各アレルゲンの最良の性能モデルはLearning Using Concave and Convex Kernels (LUCCK) 法を用いて作成され、それぞれ0.76、0.68、0.70のピーナッツ、卵、牛乳のAUCで予測された。
SHAP(SHapley Additive exPlanations)によるモデル解釈は、特定のIgEが、SPTの捕鯨およびフレア値とともに、OFCの結果を非常に予測していることを示している。
この分析の結果、機械学習はOFCの結果を予測し、関連する臨床的要因を明らかにする可能性を示唆している。
関連論文リスト
- A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳(メタデータ) (2023-10-30T11:13:40Z) - Explainable Machine Learning for ICU Readmission Prediction [0.10370903121584771]
集中治療ユニット(ICU)は、複雑な病院環境を含む。
この環境における不確かで競合し、計画されていない側面は、ケアパスを均一に実施することの難しさを増大させる。
いくつかのユーティリティーは患者の医療情報を通じて寛解を予測しようと試みている。
この研究は、多中心データベース上で患者の寛容をモデル化するための標準化された、説明可能な機械学習パイプラインを提案する。
論文 参考訳(メタデータ) (2023-09-25T00:16:43Z) - Deep learning automated quantification of lung disease in pulmonary
hypertension on CT pulmonary angiography: A preliminary clinical study with
external validation [0.0]
本研究は,CTPA(CTPA)における肺テクスチャ分類のための人工知能(AI)深層学習モデルの開発を目的とする。
The Fleishner Society glossary of terms were classified as the "Normal", "Ground glass, "Ground glass with reticulation", "Honeycombing", and "Emphysema" were classified as the Fleishner Society glossary of terms。
各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
論文 参考訳(メタデータ) (2023-03-20T14:06:32Z) - A Scalable Workflow to Build Machine Learning Classifiers with
Clinician-in-the-Loop to Identify Patients in Specific Diseases [10.658425378457363]
臨床医は、EHR(Electronic Health Records)から疾患のある患者を識別するために、ICD(International Classification of Diseases)などの医療コーディングシステムを利用することができる。
近年の研究では、ICD符号は、実際の臨床実践において特定の疾患に対して、患者を正確に特徴づけることができないことが示唆されている。
本稿では,構造化データと非構造化テキストノートの両方を,NLP,AutoML,Cysian-in-the-Loop機構などの技術で活用するスケーラブルなワークフローを提案する。
論文 参考訳(メタデータ) (2022-05-18T12:24:07Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳(メタデータ) (2022-04-24T07:38:37Z) - Using machine learning techniques to predict hospital admission at the
emergency department [0.0]
救急部門(ED)における最も重要な課題の一つは、病院入院の恩恵を受ける患者を迅速に特定することである。
機械学習(ML)技術は、医療における診断支援として有望であることを示している。
本研究は,病院入院の予測における業績について,以下の特徴について考察した。
論文 参考訳(メタデータ) (2021-06-23T16:37:37Z) - 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) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳(メタデータ) (2021-02-08T15:09:07Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳(メタデータ) (2020-11-24T17:44:01Z) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳(メタデータ) (2020-08-10T02:44:52Z) - 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)
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。