論文の概要: Deterioration Prediction using Time-Series of Three Vital Signs and
Current Clinical Features Amongst COVID-19 Patients
- arxiv url: http://arxiv.org/abs/2210.05881v1
- Date: Wed, 12 Oct 2022 02:53:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 16:16:39.912455
- Title: Deterioration Prediction using Time-Series of Three Vital Signs and
Current Clinical Features Amongst COVID-19 Patients
- Title(参考訳): COVID-19患者の3徴候の経時的変化と臨床像の経時的変化予測
- Authors: Sarmad Mehrdad, Farah E. Shamout, Yao Wang, S. Farokh Atashzar
- Abstract要約: 今後3~24時間で患者が悪化するかどうかを予測できる予後モデルを構築した。
このモデルは、(a)酸素飽和度、(b)心拍数、(c)温度という、通常の三進的なバイタルサインを処理する。
ニューヨーク・ラングーン・ヘルスで37,006人のCOVID-19患者から収集したデータを用いて、モデルを訓練し、評価した。
- 参考スコア(独自算出の注目度): 6.1594622252295474
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unrecognized patient deterioration can lead to high morbidity and mortality.
Most existing deterioration prediction models require a large number of
clinical information, typically collected in hospital settings, such as medical
images or comprehensive laboratory tests. This is infeasible for telehealth
solutions and highlights a gap in deterioration prediction models that are
based on minimal data, which can be recorded at a large scale in any clinic,
nursing home, or even at the patient's home. In this study, we propose and
develop a prognostic model that predicts if a patient will experience
deterioration in the forthcoming 3-24 hours. The model sequentially processes
routine triadic vital signs: (a) oxygen saturation, (b) heart rate, and (c)
temperature. The model is also provided with basic patient information,
including sex, age, vaccination status, vaccination date, and status of
obesity, hypertension, or diabetes. We train and evaluate the model using data
collected from 37,006 COVID-19 patients at NYU Langone Health in New York, USA.
The model achieves an area under the receiver operating characteristic curve
(AUROC) of 0.808-0.880 for 3-24 hour deterioration prediction. We also conduct
occlusion experiments to evaluate the importance of each input feature, where
the results reveal the significance of continuously monitoring the variations
of the vital signs. Our results show the prospect of accurate deterioration
forecast using a minimum feature set that can be relatively easily obtained
using wearable devices and self-reported patient information.
- Abstract(参考訳): 認知されていない患者の悪化は、高い致命率と死亡につながる可能性がある。
既存の劣化予測モデルの多くは、医療画像や総合的な検査など、病院で一般的に収集される多くの臨床情報を必要とする。
これは遠隔医療では不可能であり、最小限のデータに基づく劣化予測モデルのギャップを浮き彫りにして、診療所や老人ホーム、さらには患者の自宅でも大規模に記録することができる。
本研究では,今後3~24時間に患者が悪化するかどうかを予測できる予後予測モデルを提案する。
モデルは連続して3進的な記号を処理します。
(a)酸素飽和
(b)心拍数、及び
(c)温度。
このモデルは、性別、年齢、ワクチン接種状況、予防接種日、肥満、高血圧、糖尿病などの基本的な患者情報も備えている。
ニューヨーク・ラングーン・ヘルスで37,006人のCOVID-19患者から収集したデータを用いてモデルを訓練・評価した。
このモデルは324時間劣化予測のために、0.808-0.880の受信動作特性曲線(AUROC)の領域を達成する。
また,各入力特徴の重要性を評価するために咬合実験を行い,バイタルサインの変動を継続的に観察する意義を明らかにする。
ウェアラブルデバイスと自己申告した患者情報を用いて比較的容易に得られる最小特徴セットを用いて,正確な劣化予測を行う可能性を示した。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳(メタデータ) (2022-12-13T19:06:00Z) - Multimodal spatiotemporal graph neural networks for improved prediction
of 30-day all-cause hospital readmission [4.609543591101764]
本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。
MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。
心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2022-04-14T05:50:07Z) - EventScore: An Automated Real-time Early Warning Score for Clinical
Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。
このモデルは2つのデータセットと4つの臨床イベントで評価される。
私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文 参考訳(メタデータ) (2021-02-11T11:55:08Z) - COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文 参考訳(メタデータ) (2021-01-13T07:03:17Z) - Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。
よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
論文 参考訳(メタデータ) (2020-12-11T16:27:04Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-18T15:56:28Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - 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) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2020-02-06T16:39:44Z)
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。