論文の概要: Detection of Risk Predictors of COVID-19 Mortality with Classifier Machine Learning Models Operated with Routine Laboratory Biomarkers

• arxiv url: http://arxiv.org/abs/2210.12342v1
• Date: Sat, 22 Oct 2022 04:06:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 22:04:43.067078
• Title: Detection of Risk Predictors of COVID-19 Mortality with Classifier Machine Learning Models Operated with Routine Laboratory Biomarkers
• Title（参考訳）: 遺伝子組換えバイオマーカーを用いた分類機械学習モデルによるCOVID-19死亡リスク予測因子の検出
• Authors: Mehmet Tahir Huyut, Andrei Velichko and Maksim Belyaev
• Abstract要約: 研究データセットは、2021年8月から12月にかけて、2597人の患者(n = 233)が死亡し、COVID-19から回復した(n = 2364)38人の血液値からなる。 プロカルシトニンと最も効率的な二成分結合は、D-二量体、ESR、D.Bil、フェリチンで得られた。 単一の特徴を持つHGBモデルでは、最も効率的な特徴はプロカルシトニン(F12 = 0.96)とフェリチン(F12 = 0.91)である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early evaluation of patients who require special care and high death expectancy in COVID-19 and effective determination of relevant biomarkers on large sample groups are important to reduce mortality. This study aimed to reveal the routine blood value predictors of COVID-19 mortality and to determine the lethal risk levels of these predictors during the disease process. The dataset of the study consists of 38 routine blood values of 2597 patients who died (n = 233) and recovered (n = 2364) from COVID-19 in August-December, 2021. In this study, histogram-based gradient boosting (HGB) model was the most successful mashine learning classifier in detecting living and deceased COVID-19 patients (with squared F1 metrics F1^2 = 1). The most efficient binary combinations with procalcitonin were obtained with D-dimer, ESR, D.Bil and ferritin. The HGB model operated with these couples correctly detected almost all of the patients who survived and died. (precision > 0.98, recall > 0.98, F1^2 > 0.98). Furthermore, in the HGB model operated with a single feature, the most efficient features were Procalcitonin (F1^2 = 0.96) and ferritin (F1^2 = 0.91). In addition, according to the two-threshold approach ferritin values between 376.2 mkg/L and 396.0 mkg/L (F1^2 = 0.91) and procalcitonin values between 0.2 mkg/L and 5.2 mkg/L (F1^2 = 0.95) were found to be fatal risk levels for COVID-19. Considering all the results, we suggest that many features combined with these features, especially procalcitonin and ferritin, operated with the HGB model, can be used to achieve very successful results in the classification of those who live and die from COVID-19.Moreover, we strongly recommend that clinicians consider the critical levels we have found for procalcitonin and ferritin properties to reduce the lethality of COVID-19 disease.
• Abstract（参考訳）: 新型コロナウイルスの特殊ケアや高死亡率を要する患者の早期評価と、大規模なサンプル群における関連バイオマーカーの効果的な判定は、死亡率の低下に重要である。 本研究は、新型コロナウイルスの死亡率の日常的予測因子を明らかにし、これらの予測因子の致死リスクレベルを決定することを目的とした。 研究データセットは、2021年8月から12月にかけて、2597人の患者(n = 233)が死亡し、COVID-19から回復した(n = 2364)38人の血液値からなる。 本研究は,HGBモデルを用いて,生没者および死亡者(F1^2=1)の検出において最も成功したマシャイン学習分類器である。 d-dimer,esr,d.bil,フェリチンでは,プロカルシトニンと最も効率的な2成分の組み合わせが得られた。 これらのカップルと操作したhgbモデルは、生存と死亡のほぼすべての患者を正しく検出した。 (精度 > 0.98,リコール > 0.98, F1^2 > 0.98)。 さらにhgbモデルでは、プロカルシトニン (f1^2 = 0.96) とフェリチン (f1^2 = 0.91) が最も効率的であった。 さらに, 376.2 mkg/L と 396.0 mkg/L (F1^2 = 0.91) と 0.2 mkg/L と 5.2 mkg/L (F1^2 = 0.95) のプロカルシトニン値は, 新型コロナウイルスの致命的リスクレベルであった。 以上の結果を踏まえて,これらの特徴,特にhgbモデルを用いたプロカルシトニンとフェリチンを組み合わせることで,covid-19による生存・死亡者の分類において非常に良好な結果が得られることを示唆する。

関連論文リスト

• At-Admission Prediction of Mortality and Pulmonary Embolism in COVID-19 Patients Using Statistical and Machine Learning Methods: An International Cohort Study [0.0]
  新型コロナウイルス患者の肺塞栓症予測ツールの開発は極めて重要である。 本稿では,PEの発生と入場時の死亡を予測する機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-18T14:55:27Z)
• 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)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Challenges in the application of a mortality prediction model for COVID-19 patients on an Indian cohort [0.0]
  ヤンなど。 機械学習(ML)メソッドを使って新型コロナウイルス患者の結果を予測する研究が公開されている。 ここでは、covid-19患者の最大のデータセットの1つにデプロイすることで、このモデルの制限を示します。
  論文  参考訳（メタデータ） (2021-01-15T07:06:49Z)
• 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)
• 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)
• Do not forget interaction: Predicting fatality of COVID-19 patients using logistic regression [20.591050444038714]
  我々は、新型コロナウイルス患者の死亡率を予測するために、ロジスティック回帰に基づく説明可能な、直感的で正確な機械学習モデルを報告した。 その結果,ロジスティック回帰モデルによる死亡確率が0.8以上であった場合,最大34.91日で平均11.30日以上の死亡率を予測できた。 新型コロナウイルスのリスクが高い患者を3人のバイオマーカーで識別し、世界中の医療機関がこのパンデミックの中で重要な医療資源を計画するのに役立つ。
  論文  参考訳（メタデータ） (2020-06-30T16:28:41Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• 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)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。