論文の概要: Interpretable estimation of the risk of heart failure hospitalization
from a 30-second electrocardiogram
- arxiv url: http://arxiv.org/abs/2211.00819v1
- Date: Wed, 2 Nov 2022 01:53:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 14:48:47.291064
- Title: Interpretable estimation of the risk of heart failure hospitalization
from a 30-second electrocardiogram
- Title（参考訳）: 30秒心電図による心不全入院リスクの解釈可能推定
- Authors: Sergio Gonz\'alez, Wan-Ting Hsieh, Davide Burba, Trista Pei-Chun Chen,
Chun-Li Wang, Victor Chien-Chia Wu, Shang-Hung Chang
- Abstract要約: 本研究は,30秒の単心電図信号で心不全の入院を推定できることを示唆する。
機械学習アプローチを使用することで、予測能力が向上するだけでなく、臨床的に意味のある解釈も得られる。
- 参考スコア（独自算出の注目度）: 2.167398752829277
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Survival modeling in healthcare relies on explainable statistical models;
yet, their underlying assumptions are often simplistic and, thus, unrealistic.
Machine learning models can estimate more complex relationships and lead to
more accurate predictions, but are non-interpretable. This study shows it is
possible to estimate hospitalization for congestive heart failure by a 30
seconds single-lead electrocardiogram signal. Using a machine learning approach
not only results in greater predictive power but also provides clinically
meaningful interpretations. We train an eXtreme Gradient Boosting accelerated
failure time model and exploit SHapley Additive exPlanations values to explain
the effect of each feature on predictions. Our model achieved a concordance
index of 0.828 and an area under the curve of 0.853 at one year and 0.858 at
two years on a held-out test set of 6,573 patients. These results show that a
rapid test based on an electrocardiogram could be crucial in targeting and
treating high-risk individuals.
- Abstract（参考訳）: 医療におけるサバイバルモデリングは、説明可能な統計モデルに依存しているが、基礎となる仮定はしばしば単純化され、したがって非現実的である。
機械学習モデルは、より複雑な関係を推定し、より正確な予測につながるが、解釈できない。
本研究は,30秒の単心電図信号で心不全の入院を推定できることを示唆する。
機械学習アプローチを使用することで、予測能力が向上するだけでなく、臨床的に意味のある解釈も得られる。
我々は,eXtreme Gradient BoostingAccelerated failure time Modelをトレーニングし,SHapley Additive exPlanations値を利用して各特徴が予測に与える影響を説明する。
本モデルでは,6,573人を対象に,1年で0.828,1年で0.853,2年で0.858と一致した。
これらの結果から,心電図に基づく迅速検査は,高リスク個人を標的とし治療するのに重要である可能性が示唆された。
関連論文リスト
- Leveraging Large Language Models to Enhance Machine Learning Interpretability and Predictive Performance: A Case Study on Emergency Department Returns for Mental Health Patients [2.3769374446083735]
救急部門(ED)は精神状態の回復が大きな医療負担となり、患者の24-27%が30日以内に帰国する。
大規模言語モデル(LLM)と機械学習を統合することにより、EDメンタルヘルスリターンリスクモデルの予測精度と臨床的解釈性が向上するか否かを評価する。
論文 参考訳（メタデータ） (2025-01-21T15:41:20Z) - Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。
シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。
提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
論文 参考訳（メタデータ） (2024-12-23T13:05:17Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Improving Cardiovascular Disease Prediction Through Comparative Analysis
of Machine Learning Models: A Case Study on Myocardial Infarction [0.0]
心臓血管疾患は現代世界でも主要な死因である。
正確な予測は、医療戦略の精査に欠かせない。
XGBoostがトップパフォーマンスモデルとして登場します。
論文 参考訳（メタデータ） (2023-11-01T13:41:44Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - An explainable Transformer-based deep learning model for the prediction
of incident heart failure [22.513476932615845]
100,071例の心不全予後予測のための新しいTransformerディープラーニングモデルを開発した。
このモデルは、レシーバーオペレーター曲線で 0.93 と 0.93 の領域、精度-リコール曲線で 0.69 と 0.70 の領域を達成した。
文脈化医療情報の重要さは感度分析において明らかにされた。
論文 参考訳（メタデータ） (2021-01-27T12:45:15Z) - 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) - 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) - 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)
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。