論文の概要: Mining the contribution of intensive care clinical course to outcome
after traumatic brain injury
- arxiv url: http://arxiv.org/abs/2303.04630v3
- Date: Tue, 1 Aug 2023 21:58:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-03 17:54:38.749256
- Title: Mining the contribution of intensive care clinical course to outcome
after traumatic brain injury
- Title(参考訳): 外傷性脳損傷後の予後に対する集中治療臨床コースの貢献について
- 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: 医療記録に格納された全異種データ(ICUおよびICU変数1,166)を統合する。
我々は、すべての変数のトークン埋め込み時系列表現をマップするために、繰り返しニューラルネットワークモデルを訓練する。
最も貢献度の高い変数には、医師ベースの予後、CTの特徴、神経機能マーカーなどがある。
- 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. Here, we integrate all
heterogenous data stored in medical records (1,166 pre-ICU and ICU variables)
to model the individualised contribution of clinical course to six-month
functional outcome on the Glasgow Outcome Scale - Extended (GOSE). On a
prospective cohort (n=1,550, 65 centres) of TBI patients, we train recurrent
neural network models to map a token-embedded time series representation of all
variables (including missing values) to an ordinal GOSE prognosis every two
hours. The full range of variables explains up to 52% (95% CI: 50%-54%) of the
ordinal variance in functional outcome. Up to 91% (95% CI: 90%-91%) of this
explanation is derived from pre-ICU and admission information (i.e., static
variables). Information collected in the ICU (i.e., dynamic variables)
increases explanation (by up to 5% [95% CI: 4%-6%]), though not enough to
counter poorer overall performance in longer-stay (>5.75 days) patients.
Highest-contributing variables include physician-based prognoses, CT features,
and markers of neurological function. Whilst static information currently
accounts for the majority of functional outcome explanation after TBI,
data-driven analysis highlights investigative avenues to improve dynamic
characterisation of longer-stay patients. Moreover, our modelling strategy
proves useful for converting large patient records into interpretable time
series with missing data integration and minimal processing.
- 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。
ここでは,医療記録に蓄積された全異種データ(ICUおよびICU変数1,166)を統合し,Glasgow Outcome Scale - Extended (GOSE) における臨床コースの個別的貢献と6ヶ月の機能的成果をモデル化する。
TBI患者の前向きコホート(n=1,550,65センター)では、反復ニューラルネットワークモデルを用いて、全変数(欠落値を含む)のトークン埋め込み時系列表現を2時間毎に経時的GOSE予後にマッピングする。
変数の全範囲は、機能結果の順序分散の最大52%(95%ci:50%-54%)を説明する。
この説明の最大91% (95% CI: 90%-91%) はICU前と入場情報(静的変数)から導かれる。
ICUで収集された情報(つまり動的変数)は説明(95% CI: 4%-6%)を増加させるが、より長期(>5.75日)の患者では全体的なパフォーマンスを損なうには不十分である。
最も貢献度の高い変数には、医師ベースの予後、CTの特徴、神経機能マーカーなどがある。
現在の静的情報では、TBI後の機能的結果説明の大多数を占めるが、データ駆動分析では、長期入院患者の動的特徴化を改善するための調査方法が強調されている。
さらに,このモデリング戦略は,大規模患者記録をデータ統合や最小処理の欠如を伴う解釈可能な時系列に変換する上で有用であることを示す。
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。