論文の概要: Deep Learning Approach to Predict Hemorrhage in Moyamoya Disease
- arxiv url: http://arxiv.org/abs/2302.00188v1
- Date: Wed, 1 Feb 2023 02:40:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 13:43:46.223808
- Title: Deep Learning Approach to Predict Hemorrhage in Moyamoya Disease
- Title(参考訳): モヤモヤ病の出血予測のための深層学習アプローチ
- Authors: Meng Zhao, Yonggang Ma, Qian Zhang, Jizong Zhao
- Abstract要約: 本研究の目的は,モヤモヤ病の出血を予測するための3つの機械学習分類アルゴリズムを開発することである。
提案したANNフレームワークは成人MDD患者の出血の可能性を予測するための有効なツールとなる可能性がある。
- 参考スコア(独自算出の注目度): 4.262366651054988
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objective: Reliable tools to predict moyamoya disease (MMD) patients at risk
for hemorrhage could have significant value. The aim of this paper is to
develop three machine learning classification algorithms to predict hemorrhage
in moyamoya disease. Methods: Clinical data of consecutive MMD patients who
were admitted to our hospital between 2009 and 2015 were reviewed.
Demographics, clinical, radiographic data were analyzed to develop artificial
neural network (ANN), support vector machine (SVM), and random forest models.
Results: We extracted 33 parameters, including 11 demographic and 22
radiographic features as input for model development. Of all compared
classification results, ANN achieved the highest overall accuracy of 75.7% (95%
CI, 68.6%-82.8%), followed by SVM with 69.2% (95% CI, 56.9%-81.5%) and random
forest with 70.0% (95% CI, 57.0%-83.0%). Conclusions: The proposed ANN
framework can be a potential effective tool to predict the possibility of
hemorrhage among adult MMD patients based on clinical information and
radiographic features.
- Abstract(参考訳): 目的: モヤモヤ病(mmd)患者の出血リスクを予測するための信頼できるツールが有用である。
本研究の目的はモヤモヤ病の出血を予測する3つの機械学習分類アルゴリズムの開発である。
方法:2009年から2015年の間に当院に入院したMDD患者の臨床データについて検討した。
人口統計,臨床データ,放射線データを分析し,ニューラルネットワーク(ann),サポートベクターマシン(svm),ランダムフォレストモデルを開発した。
結果: モデル開発のための入力として, 人口統計学的特徴を含む33のパラメータを抽出した。
比較した分類結果の中で、annは75.7% (95% ci, 68.6%-82.8%)、svmは69.2% (95% ci, 56.9%-81.5%)、ランダム森林は70.0% (95% ci, 57.0%-83.0%) であった。
結論: ANN フレームワークは,成人MDD 患者の臨床情報と放射線学的特徴に基づいて出血の可能性を予測するための有効なツールとして有用である。
関連論文リスト
- Robust Meta-Model for Predicting the Need for Blood Transfusion in
Non-traumatic ICU Patients [10.169599503547134]
ICU設定での貧血や凝固症管理に不可欠な輸血は、効果的な資源配分と患者のリスク評価の正確な予測を必要とする。
本研究の目的は,多種多様な非外傷性ICU患者に対して,今後24時間にわたって輸血の必要性を予測できる高度な機械学習モデルを開発することである。
論文 参考訳(メタデータ) (2024-01-01T23:25:48Z) - 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) - A new methodology to predict the oncotype scores based on
clinico-pathological data with similar tumor profiles [0.0]
Oncotype DX (ODX) は乳がんの分子検査である。
本研究の目的は,医師の意思決定を支援する新しい手法を提案することである。
論文 参考訳(メタデータ) (2023-03-13T10:08:13Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳(メタデータ) (2023-02-02T08:45:17Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
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。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - On the explainability of hospitalization prediction on a large COVID-19
patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。
高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文 参考訳(メタデータ) (2021-10-28T10:23:38Z) - 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) - All Data Inclusive, Deep Learning Models to Predict Critical Events in
the Medical Information Mart for Intensive Care III Database (MIMIC III) [0.0]
本研究は35,348人を対象に42,818人の入院患者を対象に行った。
複数のデータソースにわたる7500万以上のイベントが処理され、3億5500万以上のトークンが処理された。
すべてのデータソースを使用して構築されたモデルから、はるかに信頼性が高く、信頼性の高いホスピタル死亡を予測できる。
論文 参考訳(メタデータ) (2020-09-02T22:12:18Z) - 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)
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。