Fugu-MT 論文翻訳(概要): Prediction of COVID-19 Patients' Emergency Room Revisit using Multi-Source Transfer Learning

論文の概要: Prediction of COVID-19 Patients' Emergency Room Revisit using Multi-Source Transfer Learning

arxiv url: http://arxiv.org/abs/2306.17257v1
Date: Thu, 29 Jun 2023 18:51:42 GMT
ステータス: 処理完了
システム内更新日: 2023-07-03 14:12:03.885776
Title: Prediction of COVID-19 Patients' Emergency Room Revisit using Multi-Source Transfer Learning
Title（参考訳）: マルチソース・トランスファー・ラーニングによるCOVID-19患者の緊急治療室再訪予測
Authors: Yuelyu Ji, Yuhe Gao, Runxue Bao, Qi Li, Disheng Liu, Yiming Sun, Ye Ye
Abstract要約: 新型コロナウイルス感染症2019(COVID-19)は、世界的な重症度のパンデミックに繋がった。患者は退院後短時間で救急室(ER)を再訪しなければならない。このような患者の早期発見は、医師が生命を危険にさらす患者を治療するのを助けるのに不可欠である。
参考スコア（独自算出の注目度）: 7.750772093056729
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The coronavirus disease 2019 (COVID-19) has led to a global pandemic of significant severity. In addition to its high level of contagiousness, COVID-19 can have a heterogeneous clinical course, ranging from asymptomatic carriers to severe and potentially life-threatening health complications. Many patients have to revisit the emergency room (ER) within a short time after discharge, which significantly increases the workload for medical staff. Early identification of such patients is crucial for helping physicians focus on treating life-threatening cases. In this study, we obtained Electronic Health Records (EHRs) of 3,210 encounters from 13 affiliated ERs within the University of Pittsburgh Medical Center between March 2020 and January 2021. We leveraged a Natural Language Processing technique, ScispaCy, to extract clinical concepts and used the 1001 most frequent concepts to develop 7-day revisit models for COVID-19 patients in ERs. The research data we collected from 13 ERs may have distributional differences that could affect the model development. To address this issue, we employed a classic deep transfer learning method called the Domain Adversarial Neural Network (DANN) and evaluated different modeling strategies, including the Multi-DANN algorithm, the Single-DANN algorithm, and three baseline methods. Results showed that the Multi-DANN models outperformed the Single-DANN models and baseline models in predicting revisits of COVID-19 patients to the ER within 7 days after discharge. Notably, the Multi-DANN strategy effectively addressed the heterogeneity among multiple source domains and improved the adaptation of source data to the target domain. Moreover, the high performance of Multi-DANN models indicates that EHRs are informative for developing a prediction model to identify COVID-19 patients who are very likely to revisit an ER within 7 days after discharge.
Abstract（参考訳）: 新型コロナウイルス感染症(COVID-19)は、世界的な感染拡大を招いている。新型コロナウイルスは高い感染率に加えて、無症状のキャリアーから重篤で致命的な健康合併症まで多種多様な臨床コースを持つことができる。多くの患者は退院後短期間で救急室(er)を再診しなければならず、医療従事者の労働負荷を大幅に増加させる。このような患者の早期発見は、医師が生命を危険にさらす患者を治療するのを助けるために重要である。本研究では,2020年3月から2021年1月までにピッツバーグ大学メディカルセンター内の13のERから3,210件のElectronic Health Records(EHR)を入手した。我々は,臨床概念を抽出するために自然言語処理技術であるScispaCyを活用し,最も頻繁な概念である1001を用いて,ER患者を対象とした7日間の再診モデルを開発した。 13のERから収集した研究データは、モデル開発に影響を与える可能性のある分布差があるかもしれない。この問題に対処するために,domain adversarial neural network (dann)と呼ばれる古典的な深層伝達学習法を採用し,マルチダンアルゴリズム,シングルダンアルゴリズム,および3つのベースライン手法を含む異なるモデリング戦略を評価した。その結果,Multi-DANNモデルは,退院後7日以内に新型コロナウイルス患者のERへの再入院を予測する上で,単一DANNモデルとベースラインモデルよりも優れていた。特に、Multi-DANN戦略は、複数のソースドメイン間の不均一性を効果的に解決し、ターゲットドメインへのソースデータの適応を改善した。また, マルチダンモデルの高性能化は, 退院後7日以内にerを再診する可能性が非常に高いcovid-19患者を識別するための予測モデルの開発において, ehrが有益であることを示している。

関連論文リスト

MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
MedML: Fusing Medical Knowledge and Machine Learning Models for Early Pediatric COVID-19 Hospitalization and Severity Prediction [27.352097332678213]
我々は、新しい機械学習モデルであるMedMLを用いて、全国的な小児新型コロナウイルスデータ問題に対処する。 MedMLは600万以上の医療概念から、医療知識と妥当性スコアに基づいて最も予測可能な特徴を抽出する。入院予測タスクは143,605名,重症度予測タスクは11,465名,重症度予測タスクは143,605名であった。
論文参考訳（メタデータ） (2022-07-25T15:56:14Z)
Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文参考訳（メタデータ） (2022-04-22T17:27:00Z)
Multimodal spatiotemporal graph neural networks for improved prediction of 30-day all-cause hospital readmission [4.609543591101764]
本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。 MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
論文参考訳（メタデータ） (2022-04-14T05:50:07Z)
Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文参考訳（メタデータ） (2021-11-18T00:43:41Z)
Developing and validating multi-modal models for mortality prediction in COVID-19 patients: a multi-center retrospective study [1.5308395762165423]
マルチセンター患者データを用いて、新型コロナウイルス死亡予測のためのマルチモーダルモデルの開発と検証を行った。私たちのゴールは、調査員や組織が予測、分類、最適化のためのマルチモーダルモデルを構築するのを支援するツールキットを作ることです。
論文参考訳（メタデータ） (2021-09-01T04:46:27Z)
Supervised multi-specialist topic model with applications on large-scale electronic health record data [3.322262654060203]
本研究では,MixEHR-Sを,EHRデータから専門分野別トピックを共同推定する。効率的な推論のために,閉形式崩壊変分推論アルゴリズムを開発した。 MixEHR-Sは3つの応用において、最も予測可能な潜在トピックの中で臨床的に有意義な潜在トピックを授与した。
論文参考訳（メタデータ） (2021-05-04T01:27:11Z)
Challenges in the application of a mortality prediction model for COVID-19 patients on an Indian cohort [0.0]
ヤンなど。機械学習(ML)メソッドを使って新型コロナウイルス患者の結果を予測する研究が公開されている。ここでは、covid-19患者の最大のデータセットの1つにデプロイすることで、このモデルの制限を示します。
論文参考訳（メタデータ） (2021-01-15T07:06:49Z)
Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。逆生成したサンプルはドメイン適応時に使用される。その結果,本手法の有効性とタスクの一般性が確認された。
論文参考訳（メタデータ） (2021-01-13T03:20:20Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。