論文の概要: An empirical study of using radiology reports and images to improve ICU mortality prediction

• arxiv url: http://arxiv.org/abs/2307.07513v1
• Date: Tue, 20 Jun 2023 15:43:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-23 12:27:14.046746
• Title: An empirical study of using radiology reports and images to improve ICU mortality prediction
• Title（参考訳）: ICU死亡予測の改善のための放射線診断と画像を用いた実証的研究
• Authors: Mingquan Lin, Song Wang, Ying Ding, Lihui Zhao, Fei Wang, Yifan Peng
• Abstract要約: ICU死亡率を予測するために,多モードデータを用いたディープラーニングに基づく生存予測モデルを構築した。 医療情報マートをMIMIC-IV(MIMIC-IV)データセットを用いて提案モデルの評価を行った。
• 参考スコア（独自算出の注目度）: 21.99553011832319
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Background: The predictive Intensive Care Unit (ICU) scoring system plays an important role in ICU management because it predicts important outcomes, especially mortality. Many scoring systems have been developed and used in the ICU. These scoring systems are primarily based on the structured clinical data in the electronic health record (EHR), which may suffer the loss of important clinical information in the narratives and images. Methods: In this work, we build a deep learning based survival prediction model with multi-modality data to predict ICU mortality. Four sets of features are investigated: (1) physiological measurements of Simplified Acute Physiology Score (SAPS) II, (2) common thorax diseases pre-defined by radiologists, (3) BERT-based text representations, and (4) chest X-ray image features. We use the Medical Information Mart for Intensive Care IV (MIMIC-IV) dataset to evaluate the proposed model. Results: Our model achieves the average C-index of 0.7829 (95% confidence interval, 0.7620-0.8038), which substantially exceeds that of the baseline with SAPS-II features (0.7470 (0.7263-0.7676)). Ablation studies further demonstrate the contributions of pre-defined labels (2.00%), text features (2.44%), and image features (2.82%).
• Abstract（参考訳）: 背景:ICUは重要な結果,特に死亡率を予測するため,ICU管理において重要な役割を担っている。 多くのスコアリングシステムがICUで開発され使用されている。 これらのスコアリングシステムは、主に電子健康記録(ehr)の構造化臨床データに基づいており、物語や画像における重要な臨床情報を失う可能性がある。 方法:本研究では,ICU死亡率を予測するために,多モードデータを用いた深層学習に基づく生存予測モデルを構築した。 1) 簡易型急性生理スコア(SAPS) II, (2) 放射線医が事前に定義した胸部疾患, (3) BERT によるテキスト表現, (4) 胸部X線像の特徴の4つの特徴について検討した。 医療情報マートをMIMIC-IV(MIMIC-IV)データセットを用いて提案モデルの評価を行った。 結果: 本モデルでは, SAPS-II特徴量 (0.7470 (0.7263-0.7676)) のベースラインをほぼ上回り, 平均C指数が0.7829 (95%信頼区間, 0.7620-0.8038) となる。 アブレーション研究はさらに、事前定義されたラベル(2.00%)、テキスト特徴(2.44%)、画像特徴(2.82%)の寄与を実証している。

関連論文リスト

• MDS-ED: Multimodal Decision Support in the Emergency Department -- a Benchmark Dataset for Diagnoses and Deterioration Prediction in Emergency Medicine [1.068128849363198]
  我々は,MIMIC-IVに基づくデータセット,ベンチマークプロトコル,救急部門におけるマルチモーダル意思決定支援評価の初期結果を紹介する。 我々は、人口統計、バイオメトリックス、バイタルサイン、検査値、心電図波形など、最初の1.5時間からさまざまなデータモダリティを使用します。 診断モデルでは,AUROCスコアが0.8以上で,1428条件中357項目において統計的に有意なスコアが得られた。
  論文  参考訳（メタデータ） (2024-07-25T08:21:46Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• FineEHR: Refine Clinical Note Representations to Improve Mortality Prediction [3.9026461169566673]
  大規模な電子健康記録は、臨床テキストとバイタルサインデータの豊富な機械学習モデルを提供する。 臨床ノート分析のための高度な自然言語処理(NLP)アルゴリズムの出現にもかかわらず、生臨床データに存在する複雑なテキスト構造とノイズは重大な課題となっている。 本稿では,2つの表現学習技術,すなわちメートル法学習と微調整技術を用いて,臨床ノートの埋め込みを洗練させるシステムFINEEHRを提案する。
  論文  参考訳（メタデータ） (2023-04-24T02:42:52Z)
• 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)
• Mortality Prediction with Adaptive Feature Importance Recalibration for Peritoneal Dialysis Patients: a deep-learning-based study on a real-world longitudinal follow-up dataset [19.7915762858399]
  終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである 本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。 本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
  論文  参考訳（メタデータ） (2023-01-17T13:17:54Z)
• Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis [10.791880225915255]
  セプシスはICU (Intensive Care Units) の主要な死因である。 早期敗血症予測のためのマルチモーダル変圧器モデルを提案する。 ICU入院後36ドル以内の患者に対して, 生理的時系列データと臨床記録を用いて検討した。
  論文  参考訳（メタデータ） (2022-03-28T03:19:03Z)
• 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)
• Improving Early Sepsis Prediction with Multi Modal Learning [5.129463113166068]
  臨床テキストは、敗血症の重症度を推定するために必要な情報を提供する。 Amazon Comprehend MedicalではBERTのような最先端のNLPモデルと高度に専門化されたNLPモデルを用いてテキストを表現している。 本手法は, セプシス予測のためのPhystoNet Computing in Cardiology Challengeの勝利モデルとともに, 専門医であるqSOFAが提案する臨床基準を著しく上回っている。
  論文  参考訳（メタデータ） (2021-07-23T09:25:31Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• 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)

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。