論文の概要: Classifying the evolution of COVID-19 severity on patients with combined dynamic Bayesian networks and neural networks

• arxiv url: http://arxiv.org/abs/2303.05972v1
• Date: Fri, 10 Mar 2023 15:05:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 14:45:07.051655
• Title: Classifying the evolution of COVID-19 severity on patients with combined dynamic Bayesian networks and neural networks
• Title（参考訳）: 動的ベイズネットワークとニューラルネットワークを組み合わせた患者に対するcovid-19重症度の進化の分類
• Authors: David Quesada, Pedro Larra\~naga, Concha Bielza
• Abstract要約: 患者の病気の重症度を事前に知ることは、治療とリソースの整理を改善することができる。 この問題は、第6次流行波からスペインで流行したCOVID-19患者のデータセットで説明します。 我々は、動的ベイズネットワークを用いて、今後40時間にわたる患者のバイタルサインと血液分析結果を予測するとともに、その期間における患者疾患の重症度を評価するニューラルネットワークを組み合わせた。
• 参考スコア（独自算出の注目度）: 1.9766522384767222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When we face patients arriving to a hospital suffering from the effects of some illness, one of the main problems we can encounter is evaluating whether or not said patients are going to require intensive care in the near future. This intensive care requires allotting valuable and scarce resources, and knowing beforehand the severity of a patients illness can improve both its treatment and the organization of resources. We illustrate this issue in a dataset consistent of Spanish COVID-19 patients from the sixth epidemic wave where we label patients as critical when they either had to enter the intensive care unit or passed away. We then combine the use of dynamic Bayesian networks, to forecast the vital signs and the blood analysis results of patients over the next 40 hours, and neural networks, to evaluate the severity of a patients disease in that interval of time. Our empirical results show that the transposition of the current state of a patient to future values with the DBN for its subsequent use in classification obtains better the accuracy and g-mean score than a direct application with a classifier.
• Abstract（参考訳）: 何らかの病気に苦しむ病院に来院する患者に直面すると、私たちが直面する主な問題は、その患者が近い将来集中治療を必要としているかどうかを評価することです。 この集中治療は、貴重な資源と不足資源の割り当てを必要とし、患者の病気の重症度を事前に知ることは、その治療と資源の組織化の両方を改善することができる。 この問題は、集中治療室に入ったり、亡くなったりした場合に、患者を重要と認定する第6の流行波からスペインで感染した患者のデータセットで説明します。 次に,動的なベイズネットワークの利用と,今後40時間にわたって患者の生命徴候と血液分析結果の予測,ニューラルネットを用いて,その期間における患者の重症度を評価する。 以上の結果から,DBNによる患者の現在の状態から将来の値への変換は,分類器による直接適用よりも精度とg平均スコアが向上することが示唆された。

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)
• Approaching adverse event detection utilizing transformers on clinical time-series [0.0]
  北ランド病院トラスト(NHT)から得られた16ヶ月のバイタルサイン記録の分析を行った。 我々はSTraTSトランスフォーマーアーキテクチャに基づく自己教師型フレームワークを用いて,遅延空間における時系列データを表現した。 これらの表現は、臨床経過に基づいて、潜在的な患者表現型を探索するために、様々なクラスタリング手法を適用された。
  論文  参考訳（メタデータ） (2023-11-15T18:05:31Z)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• 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)
• 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)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
  患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。 提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。 定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
  論文  参考訳（メタデータ） (2021-09-14T14:16:32Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。