論文の概要: Contribution of clinical course to outcome after traumatic brain injury:
mining patient trajectories from European intensive care unit data
- arxiv url: http://arxiv.org/abs/2303.04630v1
- Date: Wed, 8 Mar 2023 14:48:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 13:37:07.076464
- Title: Contribution of clinical course to outcome after traumatic brain injury:
mining patient trajectories from European intensive care unit data
- Title(参考訳): 外傷性脳損傷後の臨床経過と予後 : 欧州集中治療単位データによる患者軌道の抽出
- Authors: Shubhayu Bhattacharyay, Pier Francesco Caruso, Cecilia {\AA}kerlund,
Lindsay Wilson, Robert D Stevens, David K Menon, Ewout W Steyerberg, David W
Nelson, Ari Ercole, the CENTER-TBI investigators/participants
- Abstract要約: 集中治療室(ICU)における外傷性脳損傷(TBI)患者の進行状態を特徴付ける既存の方法は、治療の個別化に必要なコンテキストを捉えていない。
我々は,医療記録に蓄積されたすべてのデータを統合して,TBI患者のICU滞在毎に解釈可能な疾患コースを作成するためのモデリング戦略を開発した。
- 参考スコア(独自算出の注目度): 1.4887102120051716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing methods to characterise the evolving condition of traumatic brain
injury (TBI) patients in the intensive care unit (ICU) do not capture the
context necessary for individualising treatment. We aimed to develop a
modelling strategy which integrates all data stored in medical records to
produce an interpretable disease course for each TBI patient's ICU stay. From a
prospective, European cohort (n=1,550, 65 centres, 19 countries) of TBI
patients, we extracted all 1,166 variables collected before or during ICU stay
as well as 6-month functional outcome on the Glasgow Outcome Scale-Extended
(GOSE). We trained recurrent neural network models to map a token-embedded time
series representation of all variables (including missing data) to an ordinal
GOSE prognosis every 2 hours. With repeated cross-validation, we evaluated
calibration and the explanation of ordinal variance in GOSE with Somers' Dxy.
Furthermore, we applied TimeSHAP to calculate the contribution of variables and
prior timepoints towards transitions in patient trajectories. Our modelling
strategy achieved calibration at 8 hours, and the full range of variables
explained up to 52% (95% CI: 50-54%) of the variance in ordinal functional
outcome. Up to 91% (90-91%) of this explanation was derived from pre-ICU and
admission information. Information collected in the ICU increased explanation
(by up to 5% [4-6%]), though not enough to counter poorer performance in
longer-stay (>5.75 days) patients. Static variables with the highest
contributions were physician prognoses and certain demographic and CT features.
Among dynamic variables, markers of intracranial hypertension and neurological
function contributed the most. Whilst static information currently accounts for
the majority of functional outcome explanation, our data-driven analysis
highlights investigative avenues to improve dynamic characterisation of
longer-stay patients.
- Abstract(参考訳): 集中治療室(ICU)における外傷性脳損傷(TBI)患者の進行状態を特徴付ける既存の方法は、治療の個別化に必要なコンテキストを捉えていない。
医療記録に格納されているすべてのデータを統合し,tbi患者のicu滞在毎に解釈可能な疾患コースを作成するモデリング戦略を開発することを目的とした。
TBI患者のヨーロッパコホート(n=1,550,65センタ,19か国)から,ICU滞在前後に収集した1,166変数と,Glasgow Outcome Scale-Extended(GOSE)の6ヶ月の機能を抽出した。
リカレントニューラルネットワークモデルをトレーニングして,2時間毎にすべての変数(データ欠落を含む)のトークン埋め込み時系列表現を,順序ゴス予後にマップした。
繰り返しのクロスバリデーションを行い,somers dxyを用いたgoseの校正と順序のばらつきについて検討した。
さらに,TimeSHAPを用いて,患者軌跡の遷移に対する変数および先行時刻の寄与を計算した。
提案手法は8時間でキャリブレーションを行い,最大52% (95% ci: 50-54%) の確率的機能的結果のばらつきが説明できた。
この説明の最大91%(90~91%)はICU以前の情報と入院情報から導かれたものである。
ICUで収集された情報では説明が5%まで(4-6%)増加するが、長期(5.75日)の患者では成績が低かった。
最も寄与率の高い静的変数は、医師の予後と特定の人口統計学的特徴とct特徴であった。
動的変数のうち,頭蓋内高血圧および神経機能マーカーが最も寄与した。
現在、機能的結果説明の大部分が静的情報であるにもかかわらず、我々のデータ駆動分析は、より長期の患者の動的特徴化を改善するための調査方法を強調している。
関連論文リスト
- Fusion of Diffusion Weighted MRI and Clinical Data for Predicting
Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。
AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
論文 参考訳(メタデータ) (2024-02-16T18:51:42Z) - 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) - Dynamic Healthcare Embeddings for Improving Patient Care [0.0]
患者, 医師, 部屋, 薬品の動的埋め込みを学習するための, 異種共進化型動的ニューラルネットワークDECENTを提案する。
学習した患者埋め込みを予測モデルに用いた結果、DECENTは死亡リスク予測タスクで最大48.1%向上していることがわかった。
学習した医師、薬品、部屋の埋め込みに関するケーススタディは、我々のアプローチが有意義で解釈可能な埋め込みを学習していることを示している。
論文 参考訳(メタデータ) (2023-03-21T03:14:15Z) - The leap to ordinal: functional prognosis after traumatic brain injury
using artificial intelligence [1.4887102120051716]
TBIの結果はGlasgow Outcome Scale-Extended (GOSE)によって8つに分類される。
既存のICU予測モデルは、GOSEの一定の閾値でバイナリ結果を予測する。
各GOSEスコアの確率を同時に予測する順序予測モデルを開発した。
論文 参考訳(メタデータ) (2022-02-10T02:29:19Z) - 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) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳(メタデータ) (2021-12-19T01:45:57Z) - 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) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - 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) - 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) - 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)
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。