論文の概要: Differentiating Viral and Bacterial Infections: A Machine Learning Model
Based on Routine Blood Test Values
- arxiv url: http://arxiv.org/abs/2305.07877v1
- Date: Sat, 13 May 2023 09:18:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:09:02.028790
- Title: Differentiating Viral and Bacterial Infections: A Machine Learning Model
Based on Routine Blood Test Values
- Title(参考訳): ウイルス感染症と細菌感染症の鑑別 : 血液検査値に基づく機械学習モデル
- Authors: Gregor Gun\v{c}ar, Matja\v{z} Kukar, Tim Smole, Sa\v{s}o Mo\v{s}kon,
Toma\v{z} Vovko, Simon Podnar, Peter \v{C}ernel\v{c}, Miran Brvar, Mateja
Notar, Manca K\"oster, Marjeta Tu\v{s}ek Jelenc, Marko Notar
- Abstract要約: ウイルス対バクテリア機械学習モデルは、細菌とウイルスの感染を識別するために開発された。
このモデルでは82.2%の精度、ブライアスコア0.129の精度、ROC曲線0.91の面積が顕著に示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The growing threat of antibiotic resistance necessitates accurate
differentiation between bacterial and viral infections for proper antibiotic
administration. In this study, a Virus vs. Bacteria machine learning model was
developed to discern between these infection types using 16 routine blood test
results, C-reactive protein levels, biological sex, and age. With a dataset of
44,120 cases from a single medical center, the Virus vs. Bacteria model
demonstrated remarkable accuracy of 82.2%, a Brier score of 0.129, and an area
under the ROC curve of 0.91, surpassing the performance of traditional CRP
decision rule models. The model demonstrates substantially improved accuracy
within the CRP range of 10 40 mg/L, an interval in which CRP alone offers
limited diagnostic value for distinguishing between bacterial and viral
infections. These findings underscore the importance of considering multiple
blood parameters for diagnostic decision-making and suggest that the Virus vs.
Bacteria model could contribute to the creation of innovative diagnostic tools.
Such tools would harness machine learning and relevant biomarkers to support
enhanced clinical decision-making in managing infections.
- Abstract(参考訳): 抗生物質耐性の脅威の増大は、適切な抗生物質投与のために細菌感染とウイルス感染の正確な区別を必要とする。
本研究では,16種類の血液検査結果,c-reactive proteinレベル,生物学的性および年齢を用いて,これらの感染型を識別するために,ウイルス対バクテリア機械学習モデルを開発した。
単一の医療センターから44,120件のデータセットを用いて、ウイルス対細菌モデルでは82.2%、ブライアスコア0.129、ROC曲線0.11以下の領域が従来のCRP決定規則モデルよりも高い精度で示された。
このモデルは1040mg/LのCRP範囲内で、細菌とウイルスの感染を区別するために、CRPのみが限られた診断値を提供する間隔において、大幅に改善された精度を示す。
これらの知見は、診断決定のための複数の血液パラメータを検討することの重要性を強調し、ウイルス対細菌モデルが革新的な診断ツールの作成に寄与することを示唆している。
このようなツールは、機械学習と関連するバイオマーカーを利用して、感染症の管理における臨床意思決定を強化する。
関連論文リスト
- Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳(メタデータ) (2023-10-09T18:38:49Z) - 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) - Joint Application of the Target Trial Causal Framework and Machine
Learning Modeling to Optimize Antibiotic Therapy: Use Case on Acute Bacterial
Skin and Skin Structure Infections due to Methicillin-resistant
Staphylococcus aureus [5.611469725376418]
メチシリン耐性黄色ブドウ球菌(MRSA)による急性細菌性皮膚・皮膚構造感染症(ABSSSI)の死亡予測とITE推定の機械学習モデルを開発した。
まず、確率スコアマッチングを用いて臨床試験をエミュレートし、ランダム化された治療データセット(バンコマイシンと他の抗生物質)を作成します。
次に、このデータを用いて様々な機械学習手法(強化/LASSOロジスティック回帰、サポートベクターマシン、ランダムフォレストなど)を訓練し、ブートストラップ検証により受信特性(AUC)の下の領域で最適なモデルを選択する。
論文 参考訳(メタデータ) (2022-07-15T13:08:15Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳(メタデータ) (2022-04-24T07:38:37Z) - Machine learning techniques to identify antibiotic resistance in
patients diagnosed with various skin and soft tissue infections [1.897172519574925]
皮膚および軟部組織感染症(SSTIs)は、最も頻度の高い疾患の1つである。
多様な細菌性病原体の抗生物質に対する耐性は、重篤なSSTIの重大な原因である。
我々は、抗生物質感受性試験データを用いて、抗菌性を予測する機械学習(ML)モデルを開発した。
論文 参考訳(メタデータ) (2022-02-28T01:08:02Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳(メタデータ) (2021-08-07T15:08:15Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Interpretable Machine Learning for COVID-19: An Empirical Study on
Severity Prediction Task [18.911485621888506]
この研究は、中国周海市で2020年1月18日から2020年3月5日までにSARS-CoV-2実験が確認された92人のデータベースを活用している。
重症度を示すバイオマーカーとして,N末端プロブリンナトリウム利尿ペプチド (NTproBNP), C反応性タンパク質 (CRP), Lactic dehydrogenase (LYM) の上昇を認めた。
ブラジルのサンパウロにあるイスラエル・アルベルト・アインシュタイン病院の患者5644名を対象に,大規模なオープンデータセットを用いて本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-09-30T16:13:41Z) - COVID-19 diagnosis by routine blood tests using machine learning [0.0]
新型コロナウイルスの診断のための機械学習予測モデルを構築した。
発熱、うっ血、筋痛、その他の症状のある患者は、最初の定期的な血液検査を受けられるようになった。
論文 参考訳(メタデータ) (2020-06-04T14:57:17Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳(メタデータ) (2020-05-06T15:19:15Z) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳(メタデータ) (2020-03-27T11:32:18Z)
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。