Fugu-MT 論文翻訳(概要): Estimating Discontinuous Time-Varying Risk Factors and Treatment Benefits for COVID-19 with Interpretable ML

論文の概要: Estimating Discontinuous Time-Varying Risk Factors and Treatment Benefits for COVID-19 with Interpretable ML

arxiv url: http://arxiv.org/abs/2211.08991v1
Date: Tue, 15 Nov 2022 00:14:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 16:52:05.818054
Title: Estimating Discontinuous Time-Varying Risk Factors and Treatment Benefits for COVID-19 with Interpretable ML
Title（参考訳）: 解釈型MLを用いた不連続時変リスク因子の推定と治療効果
Authors: Benjamin Lengerich, Mark E. Nunnally, Yin Aphinyanaphongs, Rich Caruana
Abstract要約: われわれは,2020年3月から2021年8月までに,ニューヨーク市の病院で入院した4000人以上の患者の観察分析を行った。血栓のバイオマーカーは2020年3月から2021年8月までに増加し,炎症と血栓のバイオマーカーの関係は弱まった。
参考スコア（独自算出の注目度）: 8.468098475371699
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Treatment protocols, disease understanding, and viral characteristics changed over the course of the COVID-19 pandemic; as a result, the risks associated with patient comorbidities and biomarkers also changed. We add to the conversation regarding inflammation, hemostasis and vascular function in COVID-19 by performing a time-varying observational analysis of over 4000 patients hospitalized for COVID-19 in a New York City hospital system from March 2020 to August 2021. To perform this analysis, we apply tree-based generalized additive models with temporal interactions which recover discontinuous risk changes caused by discrete protocols changes. We find that the biomarkers of thrombosis increasingly predicted mortality from March 2020 to August 2021, while the association between biomarkers of inflammation and thrombosis weakened. Beyond COVID-19, this presents a straightforward methodology to estimate unknown and discontinuous time-varying effects.
Abstract（参考訳）: 治療の手順や病気の理解、ウイルスの特徴は新型コロナウイルスのパンデミックの過程で変化し、その結果、患者の共生やバイオマーカーに関連するリスクも変化した。また,2020年3月から2021年8月までのニューヨーク市の病院で, 4000人以上の入院患者の炎症, 止血, 血管機能について, 経時的観察を行った。この分析を行うために,離散的なプロトコル変更による不連続なリスク変化を回復する時間的相互作用を持つ木ベース一般化加法モデルを適用する。血栓症のバイオマーカーは2020年3月から2021年8月までの死亡率を増加させ,炎症のバイオマーカーと血栓症との関係は弱まった。新型コロナウイルス以外にも、未知かつ不連続な時間変化の影響を推定する簡単な方法が提示される。

関連論文リスト

Exploring the Impact of Environmental Pollutants on Multiple Sclerosis Progression [29.0420039994265]
多発性硬化症(Multiple Sclerosis、MS)は、再発を特徴とする慢性自己免疫性炎症性神経疾患である。本研究では,H2020 BRAINTEASERプロジェクトのデータを用いて,MS患者の再発発生における環境要因の役割について検討した。我々はランダムフォレスト(RF)やロジスティック回帰(LR)などの予測モデルを用いて,臨床および汚染物質データに基づいて1週間にわたって収集された再発を予測する。
論文参考訳（メタデータ） (2024-08-30T16:12:57Z)
Automated Detection of Persistent Inflammatory Biomarkers in Post-COVID-19 Patients Using Machine Learning Techniques [0.0]
新型コロナウイルス(COVID-19)のパンデミックは、急性期以降の炎症を含む多くの症状を経験する個人に持続的な影響を残している。本研究は、新型コロナウイルス後290例の持続性炎症性バイオマーカーの同定を自動化する機械学習技術を用いている。
論文参考訳（メタデータ） (2023-09-26T17:41:10Z)
COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文参考訳（メタデータ） (2022-04-24T07:38:37Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
Interpretable Machine Learning for COVID-19: An Empirical Study on Severity Prediction Task [18.911485621888506]
この研究は、中国周海市で2020年1月18日から2020年3月5日までにSARS-CoV-2実験が確認された92人のデータベースを活用している。重症度を示すバイオマーカーとして,N末端プロブリンナトリウム利尿ペプチド (NTproBNP), C反応性タンパク質 (CRP), Lactic dehydrogenase (LYM) の上昇を認めた。ブラジルのサンパウロにあるイスラエル・アルベルト・アインシュタイン病院の患者5644名を対象に,大規模なオープンデータセットを用いて本手法の有効性を検証した。
論文参考訳（メタデータ） (2020-09-30T16:13:41Z)
A New Screening Method for COVID-19 based on Ocular Feature Recognition by Machine Learning Tools [66.20818586629278]
コロナウイルス感染症2019(COVID-19)は、数百万人に影響している。一般的なCCDやCMOSカメラで撮影された視線領域の画像を分析する新しいスクリーニング手法は、新型コロナウイルスの急激なリスクスクリーニングを確実に実現する可能性がある。
論文参考訳（メタデータ） (2020-09-04T00:50:27Z)
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)
Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
論文参考訳（メタデータ） (2020-07-22T18:02:39Z)
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)
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)
Mapping the Landscape of Artificial Intelligence Applications against COVID-19 [59.30734371401316]
世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
論文参考訳（メタデータ） (2020-03-25T12:30:33Z)

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。