論文の概要: Machine Learning Techniques for Predicting the Short-Term Outcome of
Resective Surgery in Lesional-Drug Resistance Epilepsy
- arxiv url: http://arxiv.org/abs/2302.10901v1
- Date: Fri, 10 Feb 2023 13:04:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-26 13:40:33.835982
- Title: Machine Learning Techniques for Predicting the Short-Term Outcome of
Resective Surgery in Lesional-Drug Resistance Epilepsy
- Title（参考訳）: 難治性てんかんにおける切除手術の短期成績予測のための機械学習技術
- Authors: Zahra Jourahmad, Jafar Mehvari Habibabadi, Houshang Moein, Reza
Basiratnia, Ali Rahmani Geranqayeh, Saeed Shiry Ghidary, and Seyed-Ali
Sadegh-Zadeh
- Abstract要約: 7つのディフフェレント分類アルゴリズムを用いてデータを解析した。
線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
- 参考スコア（独自算出の注目度）: 1.759008116536278
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we developed and tested machine learning models to predict
epilepsy surgical outcome using noninvasive clinical and demographic data from
patients. Methods: Seven dif-ferent categorization algorithms were used to
analyze the data. The techniques are also evaluated using the Leave-One-Out
method. For precise evaluation of the results, the parameters accuracy,
precision, recall and, F1-score are calculated. Results: Our findings revealed
that a machine learning-based presurgical model of patients' clinical features
may accurately predict the outcome of epilepsy surgery in patients with
drug-resistant lesional epilepsy. The support vector machine (SVM) with the
linear kernel yielded 76.1% in terms of accuracy could predict results in 96.7%
of temporal lobe epilepsy (TLE) patients and 79.5% of extratemporal lobe
epilepsy (ETLE) cases using ten clinical features. Significance: To predict the
outcome of epilepsy surgery, this study recommends the use of a machine
learning strategy based on supervised classification and se-lection of feature
subsets data mining. Progress in the development of machine learning-based
prediction models offers optimism for personalised medicine access.
- Abstract（参考訳）: 本研究では,非侵襲的臨床および人口統計データを用いてててんかん手術結果を予測する機械学習モデルを開発した。
方法:データ分析には7つのディフフェレント分類アルゴリズムが用いられた。
この手法はLeave-One-Out法でも評価される。
結果の精度評価のために,パラメータの精度,精度,リコール,f1-scoreを算出した。
結果: 薬剤抵抗性病変てんかん患者のてんかん手術の結果を, 機械学習による術前診断モデルで正確に予測できる可能性が示唆された。
線形核を持つサポートベクターマシン(SVM)の精度は76.1%であり、側頭葉てんかん(TLE)患者96.7%、側頭葉てんかん(ETLE)患者79.5%に10種類の臨床的特徴がある。
意義: てんかん手術の結果を予測するため, 本研究は, 教師付き分類と特徴サブセットデータマイニングの分離に基づく機械学習戦略の利用を推奨する。
機械学習に基づく予測モデルの開発の進展は、パーソナライズドメディカルアクセスに最適化を提供する。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - 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) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-06-01T14:08:05Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。
集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。
我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-11-16T11:19:02Z) - Synthesizing time-series wound prognosis factors from electronic medical
records using generative adversarial networks [0.0]
創傷予後因子を合成するためにgans(time series medical generative adversarial networks)を開発した。
条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。
論文 参考訳（メタデータ） (2021-05-03T20:26:48Z) - 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) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。