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

• Towards Personalised Patient Risk Prediction Using Temporal Hospital Data Trajectories [0.9545101073027095]
  本研究では,集中治療単位患者を滞在中の観察データの軌跡によってグループ化するパイプラインを提案する。 ICUステークの最初の4時間のみのデータにパイプラインを適用すると、患者の大多数が、滞在期間全体を考慮した場合と同じクラスタに割り当てられる。
  論文  参考訳（メタデータ） (2024-07-12T15:53:26Z)
• 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)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• A Deep Learning Approach for Overall Survival Prediction in Lung Cancer with Missing Values [0.9349653765341301]
  非小細胞肺癌(NSCLC)患者の生存率を低下させる新しい治療法を提案する。 このモデルはトランスアーキテクチャの強みを利用して、計算戦略を必要とせずに利用可能な機能のみを考慮します。 検閲された患者と無検閲の患者の両方、そして時間の経過とともにリスクの変化を説明できる。
  論文  参考訳（メタデータ） (2023-07-21T10:01:55Z)
• 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)
• 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)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• 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)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)
• 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。