論文の概要: Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers

• arxiv url: http://arxiv.org/abs/2306.00698v2
• Date: Tue, 6 Jun 2023 16:12:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 19:18:38.709418
• Title: Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers
• Title（参考訳）: 変圧器を用いた術後腎・肺合併症の予測
• Authors: Reza Shirkavand, Fei Zhang, Heng Huang
• Abstract要約: 術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 69.81176740997175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Postoperative complications pose a significant challenge in the healthcare industry, resulting in elevated healthcare expenses and prolonged hospital stays, and in rare instances, patient mortality. To improve patient outcomes and reduce healthcare costs, healthcare providers rely on various perioperative risk scores to guide clinical decisions and prioritize care. In recent years, machine learning techniques have shown promise in predicting postoperative complications and fatality, with deep learning models achieving remarkable success in healthcare applications. However, research on the application of deep learning models to intra-operative anesthesia management data is limited. In this paper, we evaluate the performance of transformer-based models in predicting postoperative acute renal failure, postoperative pulmonary complications, and postoperative in-hospital mortality. We compare our method's performance with state-of-the-art tabular data prediction models, including gradient boosting trees and sequential attention models, on a clinical dataset. Our results demonstrate that transformer-based models can achieve superior performance in predicting postoperative complications and outperform traditional machine learning models. This work highlights the potential of deep learning techniques, specifically transformer-based models, in revolutionizing the healthcare industry's approach to postoperative care.
• Abstract（参考訳）: 術後合併症は、医療産業において重大な課題となり、医療費の上昇と長期入院、そしてまれに患者の死亡率の上昇をもたらす。 患者の成果を改善し、医療コストを削減するため、医療提供者は様々な周術期リスクスコアを頼りに臨床判断を指導し、ケアを優先する。 近年、機械学習技術は術後合併症や死亡率の予測に有望であり、深層学習モデルは医療アプリケーションで顕著な成功を収めている。 しかし,術中麻酔管理データへのディープラーニングモデルの適用に関する研究は限られている。 本稿では,術後急性腎不全,術後肺合併症,術後院内死亡を予測するためのトランスフォーマーモデルの性能評価を行った。 本手法は, 臨床データを用いて, グラデーションブースティングツリーや逐次注意モデルなど, 最先端の表データ予測モデルと比較した。 その結果,トランスフォーマーモデルが術後合併症を予測し,従来の機械学習モデルよりも優れた性能が得られることがわかった。 この研究は、ディープラーニング技術、特にトランスフォーマーベースのモデルが、術後医療に対する医療産業のアプローチに革命をもたらす可能性を強調している。

関連論文リスト

• Hypergraph-Transformer (HGT) for Interactive Event Prediction in Laparoscopic and Robotic Surgery [50.3022015601057]
  腹腔内ビデオから外科的ワークフローの重要なインタラクティブな側面を理解し,予測できる予測型ニューラルネットワークを提案する。 我々は,既存の手術用データセットとアプリケーションに対するアプローチを検証し,アクション・トリプレットの検出と予測を行った。 この結果は、非構造的な代替案と比較して、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-03T00:58:05Z)
• A Knowledge Distillation Approach for Sepsis Outcome Prediction from Multivariate Clinical Time Series [2.621671379723151]
  我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。 我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
  論文  参考訳（メタデータ） (2023-11-16T05:06:51Z)
• 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)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Self-explaining Hierarchical Model for Intraoperative Time Series [6.877686657275981]
  本稿では,術中時系列における注意力と反復モデルの両方の強さを組み合わせた階層モデルを提案する。 複数の結果が得られた111,888回の大規模な手術データセットと、外部の高解像度ICUデータセットによる実験により、我々のモデルが強い予測性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2022-10-10T03:24:18Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Learning Predictive and Interpretable Timeseries Summaries from ICU Data [33.787187660310444]
  本研究では,ヒトが予測的かつ容易に理解できる臨床時系列の要約を学習するための新しい手法を提案する。 学習した要約は従来の解釈可能なモデルクラスより優れており、病院内死亡率分類タスクにおける最先端のディープラーニングモデルに匹敵する性能を実現している。
  論文  参考訳（メタデータ） (2021-09-22T21:14:05Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• 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)
• Dynamic Predictions of Postoperative Complications from Explainable, Uncertainty-Aware, and Multi-Task Deep Neural Networks [1.7548541038532495]
  マルチタスク深層学習モデルは術後合併症の予測においてランダム森林モデルより優れている。 統合的解釈可能性のメカニズムは それぞれの合併症に対して 潜在的に修飾可能な危険因子を同定した モンテカルロのドロップアウト法は、臨床信頼を高める可能性がある予測の不確実性の定量的尺度を提供した。
  論文  参考訳（メタデータ） (2020-04-27T02:32:32Z)

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。