論文の概要: A dynamic risk score for early prediction of cardiogenic shock using
machine learning
- arxiv url: http://arxiv.org/abs/2303.12888v2
- Date: Tue, 28 Mar 2023 12:08:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 18:04:06.978826
- Title: A dynamic risk score for early prediction of cardiogenic shock using
machine learning
- Title(参考訳): 機械学習による心原性ショックの早期予測のための動的リスクスコア
- Authors: Yuxuan Hu, Albert Lui, Mark Goldstein, Mukund Sudarshan, Andrea
Tinsay, Cindy Tsui, Samuel Maidman, John Medamana, Neil Jethani, Aahlad Puli,
Vuthy Nguy, Yindalon Aphinyanaphongs, Nicholas Kiefer, Nathaniel Smilowitz,
James Horowitz, Tania Ahuja, Glenn I Fishman, Judith Hochman, Stuart Katz,
Samuel Bernard, Rajesh Ranganath
- Abstract要約: 心筋梗塞と心不全は、米国の何百万人もの人に影響を及ぼす主要な心血管疾患である。
心原性ショックの早期認識は重要である。
心原性ショックの発症を予測するため,心ICUに入院した患者を対象に,深層学習に基づくリスク階層化ツールCShockを開発した。
- 参考スコア(独自算出の注目度): 15.597400667978913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Myocardial infarction and heart failure are major cardiovascular diseases
that affect millions of people in the US. The morbidity and mortality are
highest among patients who develop cardiogenic shock. Early recognition of
cardiogenic shock is critical. Prompt implementation of treatment measures can
prevent the deleterious spiral of ischemia, low blood pressure, and reduced
cardiac output due to cardiogenic shock. However, early identification of
cardiogenic shock has been challenging due to human providers' inability to
process the enormous amount of data in the cardiac intensive care unit (ICU)
and lack of an effective risk stratification tool. We developed a deep
learning-based risk stratification tool, called CShock, for patients admitted
into the cardiac ICU with acute decompensated heart failure and/or myocardial
infarction to predict onset of cardiogenic shock. To develop and validate
CShock, we annotated cardiac ICU datasets with physician adjudicated outcomes.
CShock achieved an area under the receiver operator characteristic curve
(AUROC) of 0.820, which substantially outperformed CardShock (AUROC 0.519), a
well-established risk score for cardiogenic shock prognosis. CShock was
externally validated in an independent patient cohort and achieved an AUROC of
0.800, demonstrating its generalizability in other cardiac ICUs.
- Abstract(参考訳): 心筋梗塞と心不全は、米国の何百万人もの人々に影響を及ぼす主要な心血管疾患である。
心原性ショックを発症する患者では死亡率と死亡率が高い。
心原性ショックの早期認識は重要である。
治療の迅速な実施は、虚血の有害なスパイラル、低血圧、心原性ショックによる心臓出力の低下を防ぐことができる。
しかし、心原性ショックの早期発見は、心臓集中治療ユニット(ICU)に膨大な量のデータを処理できないことや、効果的なリスク階層化ツールがないために困難である。
心原性ショックの発症を予知するために,急性心不全と心筋梗塞を併発した心ICU患者を対象に,深層学習型リスク層化ツールCShockを開発した。
CShockの開発と評価を行うため, 心ICUデータセットのアノテートを行った。
CShock は 0.820 のレシーバ演算子特性曲線 (AUROC) の下の領域を達成し、CardShock (AUROC 0.519) は心原性ショック予後の優れたリスクスコアである。
CShockは、独立した患者のコホートで外部から検証され、AUROCの0.800を達成し、他の心ICUの一般化可能性を示した。
関連論文リスト
- Predicting Heart Failure with Attention Learning Techniques Utilizing Cardiovascular Data [7.476028372444458]
心臓血管疾患では、心臓不全は死の主な原因の1つであり、また世界中の患者の長期的苦痛でもある。
本研究では,EHR(Electronic Health Record)心血管データ(射出率,血清クレアチニン)に注意学習に基づく心不全予測手法を提案する。
提案手法は,LSTMアプローチのような既存の最先端技術と比較して,心不全の予測に極めて効果的である。
論文 参考訳(メタデータ) (2024-07-11T08:33:42Z) - Cardiac Copilot: Automatic Probe Guidance for Echocardiography with World Model [66.35766658717205]
心臓の複雑な構造と重要な手術上の課題のため、経験豊富なソノグラフィーが不足している。
本稿では,リアルタイムなプローブ移動誘導が可能なCardiac Copilotシステムを提案する。
中心となるイノベーションは、心臓の空間構造を表現するためのデータ駆動の世界モデル、Cardiac Dreamerの提案である。
実世界の超音波データとそれに対応するプローブの動きを,3人のソノグラフィーによる151Kサンプル対を用いた110の定期的な臨床スキャンからトレーニングする。
論文 参考訳(メタデータ) (2024-06-19T02:42:29Z) - 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) - Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。
この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。
本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
論文 参考訳(メタデータ) (2024-03-18T18:09:22Z) - ConFormer: A Novel Collection of Deep Learning Models to Assist
Cardiologists in the Assessment of Cardiac Function [0.0]
本稿では,心エコーによるEFおよび左室壁厚推定の自動化を目的とした新しい深層学習モデルであるConFormerを提案する。
ConFormerの実装は、コスト効率が高く、アクセシブルで、包括的な心臓健康モニタリングを可能にすることで、予防的心臓学を強化する可能性を秘めている。
論文 参考訳(メタデータ) (2023-12-13T23:40:14Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-10-24T02:56:05Z) - Digital twinning of cardiac electrophysiology models from the surface
ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。
その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。
パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文 参考訳(メタデータ) (2023-08-16T14:57:12Z) - Ensemble Framework for Cardiovascular Disease Prediction [0.0]
心臓病は、世界中でコミュニケーション不能で無音な死の主な原因である。
我々は,ExtraTrees,Random Forest,XGBoostなど,複数の機械学習アルゴリズムを用いたアンサンブルを組み込んだフレームワークを提案している。
提案手法は,既存の文献よりも高い92.34%の精度を実現した。
論文 参考訳(メタデータ) (2023-06-16T17:37:43Z) - Improved Cardiac Arrhythmia Prediction Based on Heart Rate Variability
Analysis [0.0]
心室頻拍、心室細動、発作性心房細動が最も一般的で危険な不整脈である。
本論文は, 心不整脈を非生命的な心的事象と区別するための新しい不整脈検出法と予測法を提案する。
論文 参考訳(メタデータ) (2022-06-07T12:14:05Z) - ECGDetect: Detecting Ischemia via Deep Learning [0.0]
RCE-ECG-Detectは、心筋虚血に伴うST変化における形態パターンを検出する機械学習モデルである。
我々のディープニューラルネットワークモデルは畳み込み層を備え、90.31%のROC-AUC、89.34%の感度、87.81%の特異性が得られる。
論文 参考訳(メタデータ) (2020-09-28T11:57:26Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z)
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。