論文の概要: Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models
- arxiv url: http://arxiv.org/abs/2212.08975v1
- Date: Sat, 17 Dec 2022 23:29:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 18:08:14.736192
- Title: Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models
- Title(参考訳): ニューラルネットワークと木決定モデルに基づくブラジルの病院における臨床劣化予測
- Authors: Hamed Yazdanpanah, Augusto C. M. Silva, Murilo Guedes, Hugo M. P.
Morales, Leandro dos S. Coelho, Fernando G. Moro
- Abstract要約: 超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
- 参考スコア(独自算出の注目度): 56.93322937189087
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Early recognition of clinical deterioration (CD) has vital importance in
patients' survival from exacerbation or death. Electronic health records (EHRs)
data have been widely employed in Early Warning Scores (EWS) to measure CD risk
in hospitalized patients. Recently, EHRs data have been utilized in Machine
Learning (ML) models to predict mortality and CD. The ML models have shown
superior performance in CD prediction compared to EWS. Since EHRs data are
structured and tabular, conventional ML models are generally applied to them,
and less effort is put into evaluating the artificial neural network's
performance on EHRs data. Thus, in this article, an extremely boosted neural
network (XBNet) is used to predict CD, and its performance is compared to
eXtreme Gradient Boosting (XGBoost) and random forest (RF) models. For this
purpose, 103,105 samples from thirteen Brazilian hospitals are used to generate
the models. Moreover, the principal component analysis (PCA) is employed to
verify whether it can improve the adopted models' performance. The performance
of ML models and Modified Early Warning Score (MEWS), an EWS candidate, are
evaluated in CD prediction regarding the accuracy, precision, recall, F1-score,
and geometric mean (G-mean) metrics in a 10-fold cross-validation approach.
According to the experiments, the XGBoost model obtained the best results in
predicting CD among Brazilian hospitals' data.
- Abstract(参考訳): 早期臨床劣化(CD)の認識は、増悪や死亡による生存において極めて重要である。
電子健康記録(EHR)データは、入院患者のCDリスクを測定するために、早期警戒スコア(EWS)で広く利用されている。
近年、EHRのデータは機械学習(ML)モデルで死亡率とCDを予測するために活用されている。
MLモデルは、EWSと比較してCD予測において優れた性能を示している。
ehrsデータは構造化され、表型であるため、従来のmlモデルが一般に適用され、eersデータ上でのニューラルネットワークの性能を評価するための労力が軽減される。
そこで本稿では,極端に強化されたニューラルネットワーク(XBNet)を用いてCDを予測し,その性能をeXtreme Gradient Boosting(XGBoost)モデルとランダムフォレスト(RF)モデルと比較する。
この目的のために、13のブラジルの病院から103,105のサンプルを使用してモデルを生成する。
さらに、主成分分析(PCA)を用いて、採用モデルの性能を向上できるかを検証する。
精度,精度,リコール,f1-score,幾何平均(g-mean)指標を10倍のクロスバリデーションアプローチでcd予測し,mlモデルとews候補の修正早期警告スコア(mews)の性能を評価した。
実験によると、XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
関連論文リスト
- Learnable Prompt as Pseudo-Imputation: Reassessing the Necessity of
Traditional EHR Data Imputation in Downstream Clinical Prediction [16.638760651750744]
既存のディープラーニングトレーニングプロトコルでは、欠落した値を再構築するために統計情報や計算モデルを使用する必要がある。
本稿では,Pseudo Imputation (PAI) を新たなトレーニングプロトコルとして紹介する。
PAIはもはやインプットデータを導入しないが、ダウンストリームモデルの暗黙の選好を欠落値にモデル化するための学習可能なプロンプトを構築する。
論文 参考訳(メタデータ) (2024-01-30T07:19:36Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse
Pre-Processing Techniques and Machine Learning Models [0.0]
脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。
本分析の結果は,各モデルの性能を精度で示すものである。
ETモデルは99.29%の精度で最高の性能を示した。
論文 参考訳(メタデータ) (2023-08-06T08:50:08Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - EventScore: An Automated Real-time Early Warning Score for Clinical
Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。
このモデルは2つのデータセットと4つの臨床イベントで評価される。
私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文 参考訳(メタデータ) (2021-02-11T11:55:08Z) - 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) - Bidirectional Representation Learning from Transformers using Multimodal
Electronic Health Record Data to Predict Depression [11.1492931066686]
うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。
このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
論文 参考訳(メタデータ) (2020-09-26T17:56:37Z) - Precisely Predicting Acute Kidney Injury with Convolutional Neural
Network Based on Electronic Health Record Data [2.6127142674140234]
急性腎臓損傷(AKI)は、ICU(Intensive Care Unit)患者、特に成人患者でよく起こる。
我々の研究はAKI予測精度を大幅に改善し、最高のAUROCはMIMIC-IIIデータセットで0.988、eICUデータセットで0.936となる。
論文 参考訳(メタデータ) (2020-05-27T05:39:42Z)
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。