論文の概要: MedLens: Improve Mortality Prediction Via Medical Signs Selecting and
Regression
- arxiv url: http://arxiv.org/abs/2305.11742v2
- Date: Thu, 17 Aug 2023 20:10:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 19:45:48.280282
- Title: MedLens: Improve Mortality Prediction Via Medical Signs Selecting and
Regression
- Title（参考訳）: MedLens: 医療信号の選択と回帰による死亡予測の改善
- Authors: Xuesong Ye, Jun Wu, Chengjie Mou, and Weinan Dai
- Abstract要約: データ品質の問題については文献では議論されていない。
我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。
精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
- 参考スコア（独自算出の注目度）: 4.43322868663347
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring the health status of patients and predicting mortality in advance
is vital for providing patients with timely care and treatment. Massive medical
signs in electronic health records (EHR) are fitted into advanced machine
learning models to make predictions. However, the data-quality problem of
original clinical signs is less discussed in the literature. Based on an
in-depth measurement of the missing rate and correlation score across various
medical signs and a large amount of patient hospital admission records, we
discovered the comprehensive missing rate is extremely high, and a large number
of useless signs could hurt the performance of prediction models. Then we
concluded that only improving data-quality could improve the baseline accuracy
of different prediction algorithms. We designed MEDLENS, with an automatic
vital medical signs selection approach via statistics and a flexible
interpolation approach for high missing rate time series. After augmenting the
data-quality of original medical signs, MEDLENS applies ensemble classifiers to
boost the accuracy and reduce the computation overhead at the same time. It
achieves a very high accuracy performance of 0.96 AUC-ROC and 0.81 AUC-PR,
which exceeds the previous benchmark.
- Abstract（参考訳）: 患者の健康状態のモニタリングと死亡率の予測は、タイムリーなケアと治療を提供する上で不可欠である。
電子健康記録(EHR)の大規模医療標識は、予測を行うための高度な機械学習モデルに組み込まれている。
しかし,本論文では,本来の臨床症状のデータ品質の問題については議論されていない。
様々な医学的徴候の欠失率と相関スコアの詳細な測定と多量の患者病院入院記録から,包括的欠失率は非常に高く,多くの無用な徴候が予測モデルの性能を損なう可能性があることを発見した。
そして、データ品質の改善だけが予測アルゴリズムの基準精度を向上させると結論付けた。
我々はMEDLENSを,統計による自動バイタルメディカルサイン選択法と,高損失率時系列に対するフレキシブル補間法を用いて設計した。
元の医療標識のデータ品質を向上した後、MEDLENSはアンサンブル分類器を適用して精度を高め、同時に計算オーバーヘッドを削減する。
精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
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) - Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。
本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。
LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
論文 参考訳（メタデータ） (2024-03-28T12:11:29Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - Predicting Intensive Care Unit Length of Stay and Mortality Using
Patient Vital Signs: Machine Learning Model Development and Validation [0.22940141855172028]
モデルは、インテリジェントな遠隔患者監視フレームワークのインテリジェントなicu患者監視モジュールで使用される。
集中治療(mimic)データベースのための公開医療情報マートを用いて,成人患者に対するicu滞在データを抽出した。
死亡率モデルに6mlアルゴリズムを適用して退院状況(生存の有無)の予測を行った。
滞在モデルの長さについて,2.64日間の中央値のICU滞在率を用いて,同じ6つのMLアルゴリズムをバイナリ分類に適用した。
論文 参考訳（メタデータ） (2021-05-05T18:45:26Z) - EventScore: An Automated Real-time Early Warning Score for Clinical
Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。
このモデルは2つのデータセットと4つの臨床イベントで評価される。
私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文 参考訳（メタデータ） (2021-02-11T11:55:08Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - 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)
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。