論文の概要: Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and
Human-AI Collaboration
- arxiv url: http://arxiv.org/abs/2305.17261v2
- Date: Mon, 28 Aug 2023 19:47:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 18:06:40.938519
- Title: Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and
Human-AI Collaboration
- Title(参考訳): 機械学習と人間-aiコラボレーションによる高リスク妊娠ケアのギャップを埋める
- Authors: Hussein Mozannar, Yuria Utsumi, Irene Y. Chen, Stephanie S. Gervasi,
Michele Ewing, Aaron Smith-McLallen, David Sontag
- Abstract要約: 高リスク妊娠(英: High-risk pregnant、HRP)は、母親や乳児の予後に悪影響を及ぼす因子によって複雑な妊娠である。
われわれは、妊婦を識別し、合併症のリスクでトリアージするための機械学習アルゴリズムの構築を目指していた。
- 参考スコア(独自算出の注目度): 8.7856585359624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-risk pregnancy (HRP) is a pregnancy complicated by factors that can
adversely affect outcomes of the mother or the infant. Health insurers use
algorithms to identify members who would benefit from additional clinical
support. We aimed to build machine learning algorithms to identify pregnant
patients and triage them by risk of complication to assist care management. In
this retrospective study, we trained a hybrid Lasso regularized classifier to
predict whether a patient is currently pregnant using claims data from 36735
insured members of Independence Blue Cross (IBC), a health insurer in
Philadelphia. We then train a linear classifier on a subset of 12,243 members
to predict whether a patient will develop gestational diabetes or gestational
hypertension. These algorithms were developed in cooperation with the care
management team at IBC and integrated into the dashboard. In small user studies
with the nurses, we evaluated the impact of integrating our algorithms into
their workflow. We find that the proposed model predicts an earlier pregnancy
start date for 3.54% (95% CI 3.05-4.00) for patients with complications
compared to only using a set of pre-defined codes that indicate the start of
pregnancy and never later at the expense of a 5.58% (95% CI 4.05-6.40) false
positive rate. The classifier for predicting complications has an AUC of 0.754
(95% CI 0.764-0.788) using data up to the patient's first trimester. Nurses
from the care management program expressed a preference for the proposed models
over existing approaches. The proposed model outperformed commonly used claim
codes for the identification of pregnant patients at the expense of a
manageable false positive rate. Our risk complication classifier shows that we
can accurately triage patients by risk of complication.
- Abstract(参考訳): ハイリスク妊娠(high-risk pregnancy、hrp)は、母親や幼児の予後に悪影響を及ぼす要因を併せ持つ妊娠である。
健康保険業者は、追加臨床支援の恩恵を受けるメンバーを特定するためにアルゴリズムを使用する。
われわれは,妊婦を識別し,合併症のリスクを伴って介護管理を支援する機械学習アルゴリズムの構築を目指していた。
本研究は,フィラデルフィアの健康保険会社インデペンデンス・ブルークロス(ibc)の36735名の被保険者から得た請求データを用いて,現在妊娠中かどうかを推定するために,ハイブリッドlasso正規化分類器を訓練した。
次に,12,243人のサブセットに線形分類器を訓練し,糖尿病や高血圧を発症するかどうかを予測する。
これらのアルゴリズムは、IBCのケアマネジメントチームと協力して開発され、ダッシュボードに統合された。
看護婦との小さなユーザスタディでは、アルゴリズムをワークフローに組み込むことの影響を評価した。
以上の結果から, 妊娠開始日は, 5.58% (95% ci 4.05-6.40) の偽陽性率を犠牲にせず, 妊娠開始日を示す一連の予め定義されたコードのみを用いて, 合併症のある患者に対して3.54% (95% ci 3.05-4.00) の早期妊娠開始日を予測できることがわかった。
合併症を予測する分類器は、患者の最初の三期までのデータを用いて、AUCが 0.754 (95% CI 0.764-0.788) である。
ケアマネジメントプログラムの看護師は、既存のアプローチよりも提案されたモデルを好む。
提案モデルは, 治療可能な偽陽性率を犠牲にして, 妊婦の識別のために一般的に用いられるクレームコードよりも優れていた。
リスクコンプリケーション分類器は,合併症のリスクにより正確なトリアージが可能であった。
関連論文リスト
- Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳(メタデータ) (2023-08-24T05:26:56Z) - Machine Learning to Support Triage of Children at Risk for Epileptic
Seizures in the Pediatric Intensive Care Unit [5.708335717084799]
小児集中治療室(PICU)に入院した小児はてんかん発作が比較的多い
PICU内の発作の危険と判断された小児は、連続脳波(cEEG)を用いてモニタリングされる
本研究の目的は、重篤児の発作リスク評価を改善するためのコンピュータ支援ツールを開発することである。
論文 参考訳(メタデータ) (2022-05-11T10:24:58Z) - 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) - Clinical prediction system of complications among COVID-19 patients: a
development and validation retrospective multicentre study [0.3569980414613667]
2020年4月1日から4月30日までにUAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。
最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。
このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
論文 参考訳(メタデータ) (2020-11-28T18:16:23Z) - 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) - Deep Learning Applied to Chest X-Rays: Exploiting and Preventing
Shortcuts [11.511323714777298]
本稿では,特定の属性を有する患者が興味を抱く可能性が極めて高い,突発性クラススキューの症例について検討する。
深層ネットは、診断の予測を学ぶ際に、性別(AUROC=0.96)や年齢(AUROC=0.90)を含む多くの患者属性を正確に識別できることを示す。
単純な転送学習アプローチは、ショートカットを防止し、優れたパフォーマンスを促進するのに驚くほど効果的である。
論文 参考訳(メタデータ) (2020-09-21T18:52:43Z) - 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) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳(メタデータ) (2020-06-15T21:01:33Z) - A Machine Learning Early Warning System: Multicenter Validation in
Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。
Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。
機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文 参考訳(メタデータ) (2020-06-09T21:21:38Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳(メタデータ) (2020-04-28T14:43:05Z)
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。