論文の概要: NPRL: Nightly Profile Representation Learning for Early Sepsis Onset
Prediction in ICU Trauma Patients
- arxiv url: http://arxiv.org/abs/2304.12737v1
- Date: Tue, 25 Apr 2023 11:27:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 20:52:20.813984
- Title: NPRL: Nightly Profile Representation Learning for Early Sepsis Onset
Prediction in ICU Trauma Patients
- Title（参考訳）: ICU外傷患者の早期発作発症予測のためのNPRL:夜間プロファイル表現学習
- Authors: Tucker Stewart, Katherine Stern, Grant O'Keefe, Ankur Teredesai, Juhua
Hu
- Abstract要約: セプシス(Sepsis)は、感染の有無に応じて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,夜間に収集したデータを用いて,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。
- 参考スコア（独自算出の注目度）: 5.297303831218775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sepsis is a syndrome that develops in response to the presence of infection.
It is characterized by severe organ dysfunction and is one of the leading
causes of mortality in Intensive Care Units (ICUs) worldwide. These
complications can be reduced through early application of antibiotics, hence
the ability to anticipate the onset of sepsis early is crucial to the survival
and well-being of patients. Current machine learning algorithms deployed inside
medical infrastructures have demonstrated poor performance and are insufficient
for anticipating sepsis onset early. In recent years, deep learning
methodologies have been proposed to predict sepsis, but some fail to capture
the time of onset (e.g., classifying patients' entire visits as developing
sepsis or not) and others are unrealistic to be deployed into medical
facilities (e.g., creating training instances using a fixed time to onset where
the time of onset needs to be known apriori). Therefore, in this paper, we
first propose a novel but realistic prediction framework that predicts each
morning whether sepsis onset will occur within the next 24 hours using data
collected at night, when patient-provider ratios are higher due to
cross-coverage resulting in limited observation to each patient. However, as we
increase the prediction rate into daily, the number of negative instances will
increase while that of positive ones remain the same. Thereafter, we have a
severe class imbalance problem, making a machine learning model hard to capture
rare sepsis cases. To address this problem, we propose to do nightly profile
representation learning (NPRL) for each patient. We prove that NPRL can
theoretically alleviate the rare event problem. Our empirical study using data
from a level-1 trauma center further demonstrates the effectiveness of our
proposal.
- Abstract（参考訳）: セプシス(Sepsis)は、感染の有無に応じて発症する症候群である。
重篤な臓器機能障害を特徴とし、世界中の集中治療室(ICU)で死因の1つとなっている。
これらの合併症は抗生物質の早期投与によって軽減できるため、敗血症の発症を早期に予測する能力は患者の生存と幸福に不可欠である。
医療インフラ内に展開されている現在の機械学習アルゴリズムは、パフォーマンスが悪く、早期の敗血症を予測できない。
近年では、深層学習の手法がセプシスを予測するために提案されているが、発症時期(例えば、患者の全訪問をセプシスの発症と分類するなど)を把握できないものや、医療施設(例えば、発症時期をアプリオリと呼ぶ必要があるような固定時間を用いてトレーニングインスタンスを作成するなど)に展開することができないものもある。
そこで本研究では,夜間に収集したデータを用いて,毎朝24時間以内に敗血症が発症するか否かを予測する新しい現実的な予測フレームワークを提案する。
しかし, 予測率を日次に引き上げるにつれ, 負のインスタンス数が増加する一方, 正のインスタンスのインスタンス数は同じである。
その後,重度のクラス不均衡が問題となり,稀な敗血症症例の把握が困難となった。
この問題に対処するため,各患者に対して夜間プロファイル表現学習(NPRL)を提案する。
nprlが理論的にレアイベント問題を緩和できることを証明します。
レベル1トラウマセンターのデータを用いた実証研究により,提案手法の有効性がさらに示された。
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) - Vital Sign Forecasting for Sepsis Patients in ICUs [5.543372375499915]
本稿では,最先端のディープラーニング(DL)アーキテクチャを用いて,多段階予測システムを提案する。
我々は,過去6時間のデータから,今後3時間分のバイタルサインを予測できるDLベースのバイタルサイン予測システムを導入する。
平均二乗誤差 (MSE) と動的時間歪み (DTW) 測定値を用いて, モデルの性能評価を行った。
論文 参考訳（メタデータ） (2023-11-08T15:47:58Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-07T17:07:33Z) - Multi-Subset Approach to Early Sepsis Prediction [4.43730737969092]
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。
論文 参考訳（メタデータ） (2023-04-13T10:36:39Z) - 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) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - 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) - 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) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z)
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。