論文の概要: Multi-Subset Approach to Early Sepsis Prediction

• arxiv url: http://arxiv.org/abs/2304.06384v1
• Date: Thu, 13 Apr 2023 10:36:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 14:52:35.414481
• Title: Multi-Subset Approach to Early Sepsis Prediction
• Title（参考訳）: 早期セプシス予測へのマルチサブセットアプローチ
• Authors: Kevin Ewig, Xiangwen Lin, Tucker Stewart, Katherine Stern, Grant O'Keefe, Ankur Teredesai, and Juhua Hu
• Abstract要約: 本研究は,臨床的に疑われる6時間前に発症を予測できる機械学習アルゴリズムを開発することを目的とする。 実験により,6時間間隔を緩和するマルチサブセット手法と時間的傾向を付加することにより,敗血症関連早期予測の性能向上が期待できることがわかった。
• 参考スコア（独自算出の注目度）: 4.43730737969092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sepsis is a life-threatening organ malfunction caused by the host's inability to fight infection, which can lead to death without proper and immediate treatment. Therefore, early diagnosis and medical treatment of sepsis in critically ill populations at high risk for sepsis and sepsis-associated mortality are vital to providing the patient with rapid therapy. Studies show that advancing sepsis detection by 6 hours leads to earlier administration of antibiotics, which is associated with improved mortality. However, clinical scores like Sequential Organ Failure Assessment (SOFA) are not applicable for early prediction, while machine learning algorithms can help capture the progressing pattern for early prediction. Therefore, we aim to develop a machine learning algorithm that predicts sepsis onset 6 hours before it is suspected clinically. Although some machine learning algorithms have been applied to sepsis prediction, many of them did not consider the fact that six hours is not a small gap. To overcome this big gap challenge, we explore a multi-subset approach in which the likelihood of sepsis occurring earlier than 6 hours is output from a previous subset and feed to the target subset as additional features. Moreover, we use the hourly sampled data like vital signs in an observation window to derive a temporal change trend to further assist, which however is often ignored by previous studies. Our empirical study shows that both the multi-subset approach to alleviating the 6-hour gap and the added temporal trend features can help improve the performance of sepsis-related early prediction.
• Abstract（参考訳）: セプシス(英: Sepsis)は、宿主が感染と戦うことができないことによって引き起こされる、致命的な臓器不全である。 したがって、敗血症および敗血症関連死亡のリスクが高い重症患者における敗血症の早期診断および治療は、患者に迅速な治療を提供する上で不可欠である。 研究によると、敗血症検出を6時間進めると、早期に抗生物質が投与され、死亡率が改善した。 しかし、sequential organ failure assessment(sofa)のような臨床スコアは早期予測には適用されないが、機械学習アルゴリズムは早期予測の進行パターンを捉えるのに役立つ。 そこで本研究では,臨床的に疑われる6時間前に発症を予測できる機械学習アルゴリズムを開発することを目的とする。 いくつかの機械学習アルゴリズムはセシス予測に応用されているが、6時間が小さなギャップではないという事実を考慮しなかった。 この大きなギャップを克服するために、我々は6時間以内に発生する敗血症の可能性を以前のサブセットから出力し、追加機能としてターゲットサブセットにフィードするマルチサブセットアプローチを探求する。 さらに,観察窓内のバイタルサインのような時間単位のサンプルデータを用いて,時間変化傾向を導出してさらに補助を行うが,先行研究では無視されることが多い。 実験の結果,6時間ギャップ解消のためのマルチサブセットアプローチと時間トレンド機能の追加は,敗血症関連早期予測の性能向上に寄与することが示唆された。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• NPRL: Nightly Profile Representation Learning for Early Sepsis Onset Prediction in ICU Trauma Patients [5.476582906474746]
  セプシス(Sepsis)は、感染の有無に応じて体内で発症する症候群である。 現在の機械学習アルゴリズムは性能が悪く、早期のセプシスの開始を予測できない。 我々は,前夜に収集した最新のデータを用いて,毎朝の敗血症を予測できる新しい,現実的な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-25T11:27:27Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• ALRt: An Active Learning Framework for Irregularly Sampled Temporal Data [1.370633147306388]
  セプシスは病院内の多くの患者に致命的な症状である。 本稿では, 短時間の時間的地平線に対するアクティブラーニング・リカレントニューラルネットワーク(ALRts)の利用により, セプシスなどの不規則な時間的事象の予測を改善することを提案する。 限られたデータに基づいてトレーニングされたアクティブラーニングRNNモデルは、トレーニングデータセット全体を用いたモデルに匹敵する堅牢なセシス予測を形成することができることを示す。
  論文  参考訳（メタデータ） (2022-12-13T04:31:49Z)
• Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis [10.791880225915255]
  セプシスはICU (Intensive Care Units) の主要な死因である。 早期敗血症予測のためのマルチモーダル変圧器モデルを提案する。 ICU入院後36ドル以内の患者に対して, 生理的時系列データと臨床記録を用いて検討した。
  論文  参考訳（メタデータ） (2022-03-28T03:19:03Z)
• Predicting sepsis in multi-site, multi-national intensive care cohorts using deep learning [12.63135352255575]
  ICUにおける敗血症予測のための機械学習(ML)システムの開発と検証を行った。 我々の分析はMLを用いた敗血症予測のための多国間多中心ICU研究としては最大である。
  論文  参考訳（メタデータ） (2021-07-12T07:21:58Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。