論文の概要: Mortality Prediction with Adaptive Feature Importance Recalibration for
Peritoneal Dialysis Patients: a deep-learning-based study on a real-world
longitudinal follow-up dataset
- arxiv url: http://arxiv.org/abs/2301.07107v1
- Date: Tue, 17 Jan 2023 13:17:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 17:39:55.919223
- Title: Mortality Prediction with Adaptive Feature Importance Recalibration for
Peritoneal Dialysis Patients: a deep-learning-based study on a real-world
longitudinal follow-up dataset
- Title（参考訳）: 腹膜透析患者に対する適応的特徴量補正による死亡予測--実世界縦断追跡データセットを用いたディープラーニングによる検討
- Authors: Liantao Ma, Chaohe Zhang, Junyi Gao, Xianfeng Jiao, Zhihao Yu, Xinyu
Ma, Yasha Wang, Wen Tang, Xinju Zhao, Wenjie Ruan, and Tao Wang
- Abstract要約: 終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである
本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。
本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
- 参考スコア（独自算出の注目度）: 19.7915762858399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Peritoneal Dialysis (PD) is one of the most widely used
life-supporting therapies for patients with End-Stage Renal Disease (ESRD).
Predicting mortality risk and identifying modifiable risk factors based on the
Electronic Medical Records (EMR) collected along with the follow-up visits are
of great importance for personalized medicine and early intervention. Here, our
objective is to develop a deep learning model for a real-time, individualized,
and interpretable mortality prediction model - AICare. Method and Materials:
Our proposed model consists of a multi-channel feature extraction module and an
adaptive feature importance recalibration module. AICare explicitly identifies
the key features that strongly indicate the outcome prediction for each patient
to build the health status embedding individually. This study has collected
13,091 clinical follow-up visits and demographic data of 656 PD patients. To
verify the application universality, this study has also collected 4,789 visits
of 1,363 hemodialysis dialysis (HD) as an additional experiment dataset to test
the prediction performance, which will be discussed in the Appendix. Results:
1) Experiment results show that AICare achieves 81.6%/74.3% AUROC and
47.2%/32.5% AUPRC for the 1-year mortality prediction task on PD/HD dataset
respectively, which outperforms the state-of-the-art comparative deep learning
models. 2) This study first provides a comprehensive elucidation of the
relationship between the causes of mortality in patients with PD and clinical
features based on an end-to-end deep learning model. 3) This study first
reveals the pattern of variation in the importance of each feature in the
mortality prediction based on built-in interpretability. 4) We develop a
practical AI-Doctor interaction system to visualize the trajectory of patients'
health status and risk indicators.
- Abstract（参考訳）: 目的:腹膜透析(PD)は末期腎疾患(ESRD)患者において最も広く用いられている生命維持療法の1つである。
エレクトロニック・メディカル・レコード(EMR)で収集された死亡リスクの予測と修正可能なリスク要因の同定は、パーソナライズド・メディカルや早期介入において非常に重要である。
本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。
方法と材料:本提案モデルは,マルチチャネル特徴抽出モジュールと適応的特徴重要再調整モジュールから構成される。
AICareは、患者が個別に埋め込まれた健康状態を構築するための結果予測を強く示す重要な特徴を明確に特定する。
本研究は656 PD患者13,091 人の臨床経過と統計データを収集した。
応用の普遍性を検証するため,本研究では,1,363回の血液透析(HD)の4,789回の訪問を,予測性能をテストするための追加実験データセットとして収集した。
結果
1) aicareはpd/hdデータセットにおける1年間の死亡予測タスクに対して81.6%/74.3% aurocと47.2%/32.5% auprcを達成した。
2)本研究は,エンド・ツー・エンドのディープラーニングモデルに基づき,pd患者の死亡原因と臨床特徴との関係を包括的に解明する。
3) 本研究は,まず,組み込み解釈可能性に基づく死亡予測における各特徴の重要性の変動パターンを明らかにする。
4)患者の健康状態とリスク指標の軌跡を可視化する実践的なAI-Doctorインタラクションシステムを開発した。
関連論文リスト
- Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。
24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。
2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
論文 参考訳（メタデータ） (2024-10-02T03:21:01Z) - 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) - 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) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳（メタデータ） (2022-11-13T01:07:23Z) - Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文 参考訳（メタデータ） (2022-05-10T16:22:16Z) - Towards Trustworthy Cross-patient Model Development [3.109478324371548]
本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。
以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2021-12-20T10:51:04Z) - 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) - 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) - 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) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z)
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。