論文の概要: GWO-FI: A novel machine learning framework by combining Gray Wolf Optimizer and Frequent Itemsets to diagnose and investigate effective factors on In-Hospital Mortality and Length of Stay among Kermanshahian Cardiovascular Disease patients

• arxiv url: http://arxiv.org/abs/2212.13048v1
• Date: Mon, 26 Dec 2022 09:03:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 14:59:59.972412
• Title: GWO-FI: A novel machine learning framework by combining Gray Wolf Optimizer and Frequent Itemsets to diagnose and investigate effective factors on In-Hospital Mortality and Length of Stay among Kermanshahian Cardiovascular Disease patients
• Title（参考訳）: gwo-fi:グレーウルフオプティマイザと頻繁な項目セットを組み合わせた新しい機械学習フレームワークによるケルマンシャヒアン心血管疾患患者の院内死亡率と滞在期間の診断と検討
• Authors: Ali Yavari, Parisa Janjani, Sayeh Motavaseli, Seyran Weysi, Soraya Siabani, Mohammad Rouzbahani
• Abstract要約: 本稿では,よく知られたオオカミのアルゴリズムとアソシエーションルールマイニングアルゴリズムによって抽出された頻繁な項目を組み合わせたアプローチを提案する。 このフレームワークは、イランのイマム・アリ・ケルマンシャー病院で2816人の患者からなる実際のデータセットを用いて評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Investigation and analysis of patient outcomes, including in-hospital mortality and length of stay, are crucial for assisting clinicians in determining a patient's result at the outset of their hospitalization and for assisting hospitals in allocating their resources. This paper proposes an approach based on combining the well-known gray wolf algorithm with frequent items extracted by association rule mining algorithms. First, original features are combined with the discriminative extracted frequent items. The best subset of these features is then chosen, and the parameters of the used classification algorithms are also adjusted, using the gray wolf algorithm. This framework was evaluated using a real dataset made up of 2816 patients from the Imam Ali Kermanshah Hospital in Iran. The study's findings indicate that low Ejection Fraction, old age, high CPK values, and high Creatinine levels are the main contributors to patients' mortality. Several significant and interesting rules related to mortality in hospitals and length of stay have also been extracted and presented. Additionally, the accuracy, sensitivity, specificity, and auroc of the proposed framework for the diagnosis of mortality in the hospital using the SVM classifier were 0.9961, 0.9477, 0.9992, and 0.9734, respectively. According to the framework's findings, adding frequent items as features considerably improves classification accuracy.
• Abstract（参考訳）: 院内死亡率や滞在期間を含む患者の予後の調査と分析は、入院開始時の患者結果を判断するための臨床医の補助や、病院のリソース配分を支援する上で重要である。 本稿では,よく知られたオオカミのアルゴリズムとアソシエーションルールマイニングアルゴリズムによって抽出された頻繁な項目を組み合わせたアプローチを提案する。 まず、原特徴と識別的抽出頻度の高い項目を組み合わせる。 これらの特徴の最良のサブセットが選択され、使用する分類アルゴリズムのパラメータもグレーウルフアルゴリズムを使用して調整される。 この枠組みは、イランのイマーム・アリ・ケルマンシャー病院の2816人の患者からなる実際のデータセットを用いて評価された。 研究の結果は、エジェクション・フラクションの低下、老齢、CPK値の上昇、クレアチニン値の上昇が患者の死亡に寄与していることを示している。 病院における死亡率や滞在期間に関するいくつかの重要かつ興味深いルールも抽出・提示されている。 また,SVM分類器を用いた病院における死亡診断のためのフレームワークの精度,感度,特異性,オーロックは0.9961,0.9477,0.9992,0.9734であった。 フレームワークの発見によると、頻繁な項目を特徴として追加することで、分類精度が大幅に向上する。

関連論文リスト

• Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
  心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。 広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。 本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
  論文  参考訳（メタデータ） (2024-09-03T07:57:08Z)
• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  本研究の目的は,臨床専門家が院内死亡を予測できるように,解釈可能かつ正確なMLモデルを開発することである。 特定基準に基づいてMIMIC-IIIデータベースからICU患者の記録を分析し,関連データを抽出した。 ランダムフォレストモデルは敗血症関連院内死亡の予測に最も効果的であった。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• An Improved Heart Disease Prediction Using Stacked Ensemble Method [0.9187159782788579]
  機械学習を用いた心疾患予測システムを構築した。 心臓疾患のある人と正常な人とを簡単に区別することができる。
  論文  参考訳（メタデータ） (2023-04-12T17:53:59Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• A hybrid machine learning/deep learning COVID-19 severity predictive model from CT images and clinical data [0.0]
  患者を非icuとicuの2つのカテゴリーに分類するハイブリッド機械学習/深層学習モデルを開発した。 ベースラインCT画像の3次元患者レベルのCNN分類器を特徴抽出器として用いる。 本モデルは,臨床診断を医師に提供し,結果クラスに属する確率スコアと特徴のケースベースSHAPによる解釈を提供することを目的としている。
  論文  参考訳（メタデータ） (2021-05-13T08:39:56Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• 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)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。