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
- A Deep Learning Approach for Overall Survival Prediction in Lung Cancer
with Missing Values [1.3821435467741148]
総合生存率(OS)は、患者の状態を示す重要な指標であり、適切な治療とOS率の向上を可能にする。
我々は,NSCLCの文脈において,欠落した値を用いた生存分析の新しい手法を提案する。
OSのアドホックな損失を利用することで、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) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Can Domain Adaptation Improve Accuracy and Fairness of Skin Lesion
Classification? [55.49029146917322]
各種非教師付き領域適応法(UDA)の2値・多値皮膚病変分類における適用可能性について検討した。
実験の結果,UDAは二分分類に有効であり,不均衡が緩和された場合にはさらなる改善が見られた。
本研究は,少数派に対する偏見を効果的に低減し,公平性を重視したテクニックを明示的に用いなくても公平性を促進できることを示した。
論文 参考訳(メタデータ) (2023-07-06T17:32:38Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - 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) - 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) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - 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) - 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) - On the diminishing return of labeling clinical reports [2.1431637042179683]
医療用NLPモデルを少量のラベル付きデータで取得できることを示す。
胸部X線X線画像診断データのうち, 胸部X線画像診断におけるトレーニングデータサイズの影響を定量的に検討した。
論文 参考訳(メタデータ) (2020-10-27T19:51:04Z)
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。