論文の概要: Computable Phenotypes to Characterize Changing Patient Brain Dysfunction in the Intensive Care Unit

• arxiv url: http://arxiv.org/abs/2303.05504v1
• Date: Thu, 9 Mar 2023 18:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 13:27:48.328435
• Title: Computable Phenotypes to Characterize Changing Patient Brain Dysfunction in the Intensive Care Unit
• Title（参考訳）: 集中治療室における脳機能変化を特徴付ける計算可能な現象
• Authors: Yuanfang Ren (1 and 2), Tyler J. Loftus (1 and 3), Ziyuan Guan (1 and 2), Rayon Uddin (1), Benjamin Shickel (1 and 2), Carolina B. Maciel (4), Katharina Busl (4), Parisa Rashidi (1 and 5), Azra Bihorac (1 and 2), and Tezcan Ozrazgat-Baslanti (1 and 2) ((1) Intelligent Critical Care Center, University of Florida, Gainesville, FL, (2) Department of Medicine, College of Medicine, University of Florida, Gainesville, FL, (3) Department of Surgery, College of Medicine, University of Florida, Gainesville, FL, (4) Department of Neurology, Neurocritical Care Division, College of Medicine, University of Florida, Gainesville, FL, (5) Crayton Pruitt Family Department of Biomedical Engineering, University of Florida, Gainesville, FL)
• Abstract要約: 米国では、毎年500万人以上の患者がICUに入院しており、ICUの死亡率は10%-29%、費用は820億ドルである。 本研究の目的は、急性脳機能障害状態に対する自動計算可能な表現型を開発することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the United States, more than 5 million patients are admitted annually to ICUs, with ICU mortality of 10%-29% and costs over $82 billion. Acute brain dysfunction status, delirium, is often underdiagnosed or undervalued. This study's objective was to develop automated computable phenotypes for acute brain dysfunction states and describe transitions among brain dysfunction states to illustrate the clinical trajectories of ICU patients. We created two single-center, longitudinal EHR datasets for 48,817 adult patients admitted to an ICU at UFH Gainesville (GNV) and Jacksonville (JAX). We developed algorithms to quantify acute brain dysfunction status including coma, delirium, normal, or death at 12-hour intervals of each ICU admission and to identify acute brain dysfunction phenotypes using continuous acute brain dysfunction status and k-means clustering approach. There were 49,770 admissions for 37,835 patients in UFH GNV dataset and 18,472 admissions for 10,982 patients in UFH JAX dataset. In total, 18% of patients had coma as the worst brain dysfunction status; every 12 hours, around 4%-7% would transit to delirium, 22%-25% would recover, 3%-4% would expire, and 67%-68% would remain in a coma in the ICU. Additionally, 7% of patients had delirium as the worst brain dysfunction status; around 6%-7% would transit to coma, 40%-42% would be no delirium, 1% would expire, and 51%-52% would remain delirium in the ICU. There were three phenotypes: persistent coma/delirium, persistently normal, and transition from coma/delirium to normal almost exclusively in first 48 hours after ICU admission. We developed phenotyping scoring algorithms that determined acute brain dysfunction status every 12 hours while admitted to the ICU. This approach may be useful in developing prognostic and decision-support tools to aid patients and clinicians in decision-making on resource use and escalation of care.
• Abstract（参考訳）: 米国では、毎年500万人以上の患者がICUに入院しており、ICUの死亡率は10%-29%、費用は820億ドルである。 急性脳機能障害状態(delirium)はしばしば過小診断または過小評価される。 本研究の目的は、急性脳機能障害状態に対する自動計算可能な表現型を開発し、脳機能障害状態間の遷移を記述し、ICU患者の臨床的軌跡を説明することである。 UFH Gainesville (GNV) と Jacksonville (JAX) でICUを施行した成人48,817名を対象に, 単中心縦型EHRデータセットを作成した。 急性脳機能障害とk-meansクラスタリング法を用いて,ICU入院12時間間隔でコマ,デリリウム,正常,死亡などの急性脳機能障害を定量化し,急性脳機能障害の表現型を同定するアルゴリズムを開発した。 UFH GNVデータセットでは37,835人に対して49,770人,UFH JAXデータセットでは10,982人に対して18,472人であった。 合計して18%の患者が脳機能障害の最悪の状態であり、12時間毎に4%-7%がデリリウムに移行し、22%-25%が回復し、3%-4%が失効し、67%-68%がICUのコマに留まった。 さらに、7%の患者がデリリウムを脳機能障害の最悪の状態としており、6%-7%がコマに移行し、40%-42%がデリリウムを無くし、1%が失効し、51%-52%がICUに残っていた。 持続性coma/delirium,持続性正常,coma/deliriumから正常への移行の3つの表現型は,icu導入後48時間以内にほぼ排他的に認められた。 ICU入院中,12時間毎に急性脳機能障害を判定する表現型採点アルゴリズムを開発した。 このアプローチは、患者や臨床医のリソース使用やケアのエスカレーションに関する意思決定を支援する、予後および意思決定支援ツールの開発に有用である。

関連論文リスト

• Rapid and Accurate Diagnosis of Acute Aortic Syndrome using Non-contrast CT: A Large-scale, Retrospective, Multi-center and AI-based Study [22.886299062772693]
  胸部痛症状は、急性大動脈症候群(AAS)が壊滅性心血管疾患であり、死亡率が高い救急部(EDs)で多い。 EDの現在のトリアージの実践は、AAS患者の最大半数が、当初診断に失敗したり、他の急性胸痛の症状があるとして誤診されたりする可能性がある。 非コントラストCTを用いた人工知能モデル(DeepAAS)を開発した。
  論文  参考訳（メタデータ） (2024-06-14T02:15:09Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• A multi-cohort study on prediction of acute brain dysfunction states using selective state space models [12.0129301272171]
  急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。 本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。 既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。 ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-11T22:58:11Z)
• APRICOT-Mamba: Acuity Prediction in Intensive Care Unit (ICU): Development and Validation of a Stability, Transitions, and Life-Sustaining Therapies Prediction Model [12.370938858314911]
  集中治療室(ICU)の患者の体力状態は、すぐに安定して不安定になる。 早期の劣化状態の検出は、タイムリーな介入と生存率の改善をもたらす可能性がある。 Intensive Care Unit-MambaにおけるAPRICOT-M(Acuity Prediction in Intensive Care Unit-Mamba)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T16:52:27Z)
• Clinical Courses of Acute Kidney Injury in Hospitalized Patients: A Multistate Analysis [2.4013793000097103]
  多状態モデルを用いて経時的急性腎損傷(AKI)の軌跡を定量化する。 ステージ1のAKI後7日で69%がNOAKIと診断され退院した。 重症度が高い患者は非AKIや退院状態に移行する割合が低かった。
  論文  参考訳（メタデータ） (2023-03-08T19:06:39Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• 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)
• Computable Phenotypes of Patient Acuity in the Intensive Care Unit [0.0]
  本研究の目的は,電子カルテ内における自動変量検索を用いたアクティの電子表現型を開発することである。 フロリダ大学に入院した成人ICU患者51,372名を対象に, 単心縦型電子健康記録データセットを2つ収集した。
  論文  参考訳（メタデータ） (2020-04-27T17:36:17Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。