論文の概要: Perfectly predicting ICU length of stay: too good to be true

• arxiv url: http://arxiv.org/abs/2211.05597v1
• Date: Thu, 10 Nov 2022 14:17:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 16:15:23.316034
• Title: Perfectly predicting ICU length of stay: too good to be true
• Title（参考訳）: ICUの滞在期間を完璧に予測する - あまりにも良いので真実ではない
• Authors: Sandeep Ramachandra, Gilles Vandewiele, David Vander Mijnsbrugge, Femke Ongenae, and Sofie Van Hoecke
• Abstract要約: 本稿では,ICU部門における肺癌患者の在院期間を機械学習を用いて予測することを目的とする。 臨床実習で使用した場合, 結果が過度に楽観的になり, 重大な結果をもたらすような, 写本内のいくつかの方法的欠陥を同定した。 我々は、これらの監視が結果に与える影響を強調し、これらの監視が修正されたときに、より信頼性の高い88.91%のAUROC結果を提供する。
• 参考スコア（独自算出の注目度）: 3.9846836144067668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A paper of Alsinglawi et al was recently accepted and published in Scientific Reports. In this paper, the authors aim to predict length of stay (LOS), discretized into either long (> 7 days) or short stays (< 7 days), of lung cancer patients in an ICU department using various machine learning techniques. The authors claim to achieve perfect results with an Area Under the Receiver Operating Characteristic curve (AUROC) of 100% with a Random Forest (RF) classifier with ADASYN class balancing over sampling technique, which if accurate could have significant implications for hospital management. However, we have identified several methodological flaws within the manuscript which cause the results to be overly optimistic and would have serious consequences if used in a clinical practice. Moreover, the reporting of the methodology is unclear and many important details are missing from the manuscript, which makes reproduction extremely difficult. We highlight the effect these oversights have had on the result and provide a more believable result of 88.91% AUROC when these oversights are corrected.
• Abstract（参考訳）: alsinglawi et alの論文が最近受け入れられ、scientific reportsに発表された。 本論文は,ICU部門における肺がん患者の長期在留期間(LOS)を,様々な機械学習技術を用いて予測し,長期在留期間(>7日)と短在留期間(7日)を区別することを目的とする。 著者らは, ランダムフォレスト (rf) 分類器で100%の受信者特性曲線 (auroc) 下の領域において, サンプリング技術よりもadasynクラスバランスをとる完全結果が得られると主張している。 しかし,本書の方法論的欠陥がいくつか同定され,その結果が過度に楽観的になり,臨床で使用すれば深刻な結果がもたらされる可能性が示唆された。 また、方法論の報告は不明確であり、写本から重要な詳細が欠落しているため、再生は非常に困難である。 我々は、これらの監視が結果に与える影響を強調し、これらの監視が修正されたときに、より信頼性の高い88.91%のAUROC結果を提供する。

関連論文リスト

• SDoH-GPT: Using Large Language Models to Extract Social Determinants of Health (SDoH) [43.79125048893811]
  SDoH-GPTは,医療用ノートから健康の社会的決定因子を抽出する,シンプルで効果的なLarge Language Model (LLM) 法である。 これは時間とコストでそれぞれ10倍と20倍の削減を実現し、コーエンのカッパの最大0.92で測定された人間のアノテータとの整合性が向上した。 本研究は, LLMを医療ノート分類に革命をもたらす可能性を強調し, 時間とコストを大幅に削減して, 高精度な分類を実現する能力を示す。
  論文  参考訳（メタデータ） (2024-07-24T09:57:51Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
  重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。 本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。 LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
  論文  参考訳（メタデータ） (2024-03-28T12:11:29Z)
• A Deep Learning Approach for Overall Survival Prediction in Lung Cancer with Missing Values [0.9349653765341301]
  非小細胞肺癌(NSCLC)患者の生存率を低下させる新しい治療法を提案する。 このモデルはトランスアーキテクチャの強みを利用して、計算戦略を必要とせずに利用可能な機能のみを考慮します。 検閲された患者と無検閲の患者の両方、そして時間の経過とともにリスクの変化を説明できる。
  論文  参考訳（メタデータ） (2023-07-21T10:01:55Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep Gaussian Process (iTDGP) [2.649401887836554]
  急性虚血性脳卒中(AIS)は、動脈閉塞により突然脳への血液供給が中断されたときに起こる。 CT(Computed Tomography Perfusion)画像から抽出した3次元計測マップをしきい値として評価する現在の標準AIS評価法は十分ではない。 ベースラインガウス時系列を用いてAIS予測を改善する確率モデルであるiTDGPを提案する。
  論文  参考訳（メタデータ） (2022-11-16T17:32:29Z)
• How Long Is Enough? Exploring the Optimal Intervals of Long-Range Clinical Note Language Modeling [37.247872987053654]
  大規模事前訓練言語モデル(LM)は、生物医学および臨床領域で広く採用されている。 この研究は、Longformer を用いた LM からの長距離適応を探究し、LM がより長い臨床メモのコンテキストを捉えることを可能にする。 3つのn2c2課題データセットと香港病院電子健康記録システムによる縦断的臨床データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-10-25T09:21:28Z)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• Exploring traditional machine learning for identification of pathological auscultations [0.39577682622066246]
  各種機械学習シナリオにおいて,45例のデジタル6チャンネル聴取を行った。 目的は,正常な肺と異常な肺の音を区別することであった。 監視されていないモデルよりも一貫した優位性を示した。
  論文  参考訳（メタデータ） (2022-09-01T18:03:21Z)
• 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)
• Knowledge Distillation with Adaptive Asymmetric Label Sharpening for Semi-supervised Fracture Detection in Chest X-rays [20.878741070685468]
  高性能コンピュータ支援診断(cad)モデルのトレーニングに利用可能な医療記録を活用する。 これまでの方法では、医療記録における低疾患の頻度を考慮せず、医療記録から示される画像レベルの診断を活用できなかった。 医療記録から抽出した大規模画像レベルラベルを効果的に活用する新しい知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2020-12-30T23:12:40Z)

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。