論文の概要: Predicting adverse outcomes following catheter ablation treatment for atrial fibrillation

• arxiv url: http://arxiv.org/abs/2211.11965v2
• Date: Mon, 5 Jun 2023 02:57:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 03:54:12.021081
• Title: Predicting adverse outcomes following catheter ablation treatment for atrial fibrillation
• Title（参考訳）: 心房細動に対するカテーテルアブレーション治療後の予後予測
• Authors: Juan C. Quiroz, David Brieger, Louisa Jorm, Raymond W Sy, Benjumin Hsu, Blanca Gallego
• Abstract要約: AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。 伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
• 参考スコア（独自算出の注目度）: 2.202746751854349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: To develop prognostic survival models for predicting adverse outcomes after catheter ablation treatment for non-valvular atrial fibrillation (AF). Methods: We used a linked dataset including hospital administrative data, prescription medicine claims, emergency department presentations, and death registrations of patients in New South Wales, Australia. The cohort included patients who received catheter ablation for AF. Traditional and deep survival models were trained to predict major bleeding events and a composite of heart failure, stroke, cardiac arrest, and death. Results: Out of a total of 3285 patients in the cohort, 177 (5.3%) experienced the composite outcome (heart failure, stroke, cardiac arrest, death) and 167 (5.1%) experienced major bleeding events after catheter ablation treatment. Models predicting the composite outcome had high risk discrimination accuracy, with the best model having a concordance index > 0.79 at the evaluated time horizons. Models for predicting major bleeding events had poor risk discrimination performance, with all models having a concordance index < 0.66. The most impactful features for the models predicting higher risk were comorbidities indicative of poor health, older age, and therapies commonly used in sicker patients to treat heart failure and AF. Conclusions: Diagnosis and medication history did not contain sufficient information for precise risk prediction of experiencing major bleeding events. The models for predicting the composite outcome have the potential to enable clinicians to identify and manage high-risk patients following catheter ablation proactively. Future research is needed to validate the usefulness of these models in clinical practice.
• Abstract（参考訳）: 目的:非弁膜性心房細動(af)に対するカテーテルアブレーション療法後の予後予測のための予後予測モデルの開発。 方法: オーストラリア, ニューサウスウェールズ州において, 病院の診療データ, 処方薬の請求書, 救急部でのプレゼンテーション, 死亡登録などの関連データセットを用いた。 AFのカテーテルアブレーションを受けた患者もコホートに含まれていた。 伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。 結果: 総計3285例中, 177例 (5.3%) が複合出血(心不全, 脳卒中, 心停止, 死亡)、167例 (5.1%) がカテーテルアブレーション治療後に大出血を経験した。 複合結果を予測するモデルはリスク判別精度が高く, 評価時間帯に一致指数 > 0.79 を持つモデルが最適であった。 主要な出血イベントを予測するモデルではリスク識別性能が低かったが,concordance index < 0.66。 リスクを高く予測するモデルで最も影響の大きい特徴は、心不全やafの治療に病気患者で一般的に用いられる健康不良、高齢者、治療の指標となる共生性であった。 結論: 診断と治療歴は, 大出血のリスク予測に十分な情報を含んでいなかった。 複合結果を予測するためのモデルは、カテーテル・アブレーションを積極的に行ったハイリスク患者を臨床医が特定し、管理できる可能性を持っている。 臨床におけるこれらのモデルの有用性を検証するためには,今後の研究が必要である。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Event-Based Contrastive Learning for Medical Time Series [11.696805672885798]
  Event-Based Contrastive Learning (EBCL) は異種患者データの埋め込みを学習する手法である。 EBCLが重要な下流タスクの性能向上をもたらすモデルを構築するのに利用できることを示す。
  論文  参考訳（メタデータ） (2023-12-16T03:50:24Z)
• Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
  脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。 我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。 我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-08-17T03:46:23Z)
• 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)
• Performance of multilabel machine learning models and risk stratification schemas for predicting stroke and bleeding risk in patients with non-valvular atrial fibrillation [22.45448597986172]
  マルチラベル勾配押し上げ機は、脳卒中、大出血、死亡に最適な識別力を与えた。 モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。
  論文  参考訳（メタデータ） (2022-02-02T15:15:03Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• 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)
• 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)

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。