論文の概要: APRICOT: Acuity Prediction in Intensive Care Unit (ICU): Predicting Stability, Transitions, and Life-Sustaining Therapies

• arxiv url: http://arxiv.org/abs/2311.02026v1
• Date: Fri, 3 Nov 2023 16:52:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 13:34:41.714560
• Title: APRICOT: Acuity Prediction in Intensive Care Unit (ICU): Predicting Stability, Transitions, and Life-Sustaining Therapies
• Title（参考訳）: APRICOT:Intensive Care Unit (ICU)におけるAcuity Prediction: Predicting stability, transitions, and Life-Sustaining therapy
• Authors: Miguel Contreras, Brandon Silva, Benjamin Shickel, Tezcan Ozrazgat Baslanti, Yuanfang Ren, Ziyuan Guan, Sabyasachi Bandyopadhyay, Kia Khezeli, Azra Bihorac, Parisa Rashidi
• Abstract要約: APRICOT(Acuity Prediction in Intensive Care Unit)は、ITU患者におけるリアルタイムのAcuity状態を予測するトランスフォーマーベースのニューラルネットワークである。 APRICOTは、最先端の死亡予測モデルに匹敵する結果を示す。 ICUでは、次の数時間で患者が必要とする生命維持療法を提案できる。
• 参考スコア（独自算出の注目度）: 12.513794529119139
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The acuity state of patients in the intensive care unit (ICU) can quickly change from stable to unstable, sometimes leading to life-threatening conditions. Early detection of deteriorating conditions can result in providing more timely interventions and improved survival rates. Current approaches rely on manual daily assessments. Some data-driven approaches have been developed, that use mortality as a proxy of acuity in the ICU. However, these methods do not integrate acuity states to determine the stability of a patient or the need for life-sustaining therapies. In this study, we propose APRICOT (Acuity Prediction in Intensive Care Unit), a Transformer-based neural network to predict acuity state in real-time in ICU patients. We develop and extensively validate externally, temporally, and prospectively the APRICOT model on three large datasets: University of Florida Health (UFH), eICU Collaborative Research Database (eICU), and Medical Information Mart for Intensive Care (MIMIC)-IV. The performance of APRICOT shows comparable results to state-of-the-art mortality prediction models (external AUROC 0.93-0.93, temporal AUROC 0.96-0.98, and prospective AUROC 0.98) as well as acuity prediction models (external AUROC 0.80-0.81, temporal AUROC 0.77-0.78, and prospective AUROC 0.87). Furthermore, APRICOT can make predictions for the need for life-sustaining therapies, showing comparable results to state-of-the-art ventilation prediction models (external AUROC 0.80-0.81, temporal AUROC 0.87-0.88, and prospective AUROC 0.85), and vasopressor prediction models (external AUROC 0.82-0.83, temporal AUROC 0.73-0.75, prospective AUROC 0.87). This tool allows for real-time acuity monitoring of a patient and can provide helpful information to clinicians to make timely interventions. Furthermore, the model can suggest life-sustaining therapies that the patient might need in the next hours in the ICU.
• Abstract（参考訳）: 集中治療室(ICU)の患者の体力状態は、安定状態から不安定状態へと急速に変化し、時として命の危険をもたらすことがある。 早期の劣化状態の検出は、よりタイムリーな介入と生存率の向上をもたらす可能性がある。 現在のアプローチは、手動による日々の評価に依存している。 icuのacuityの代理として死亡率を使用するデータ駆動アプローチがいくつか開発されている。 しかし、これらの方法は、患者の安定性や生命維持療法の必要性を決定するために、明度状態を統合するものではない。 そこで本研究では,icu患者においてリアルタイムに apricot (acuity prediction in intensive care unit) を予測できるトランスフォーマーニューラルネットワークである apricot (acuity prediction in intensive care unit) を提案する。 フロリダ大学健康研究所(UFH)、eICU共同研究データベース(eICU)、MIMIC-IV(MIMIC)の3つの大規模データセット上で,外部,時間的,そして将来的なAPRICOTモデルの開発と検証を行った。 APRICOTの性能は、最先端の死亡予測モデル(AUROC 0.93-0.93、時間的AUROC 0.96-0.98、時間的AUROC 0.98)と、明度予測モデル(AUROC 0.80-0.81、時間的AUROC 0.77-0.78、時間的AUROC 0.87)に匹敵する結果を示す。 さらに、APRICOTは生命維持療法の必要性を予測し、最先端の換気予測モデル(AUROC 0.80-0.81, temporal AUROC 0.87-0.88, prospective AUROC 0.85)や血管圧予測モデル(external AUROC 0.82-0.83, temporal AUROC 0.73-0.75, prospective AUROC 0.87)に匹敵する結果を示す。 このツールは、患者のリアルタイム視力モニタリングを可能にし、臨床医にタイムリーな介入を行うための有用な情報を提供する。 さらに、モデルでは、icuの次の数時間で患者が必要とする生命維持療法が示唆される。

関連論文リスト

• DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
  デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。 3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T18:56:31Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• A multi-cohort study on prediction of acute brain dysfunction states using selective state space models [12.0129301272171]
  急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。 本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。 既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。 ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-11T22:58:11Z)
• Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
  ICUの既存の患者評価は散発的であり、手動で管理されている。 我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。 634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
  論文  参考訳（メタデータ） (2023-11-01T15:07:03Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• All Data Inclusive, Deep Learning Models to Predict Critical Events in the Medical Information Mart for Intensive Care III Database (MIMIC III) [0.0]
  本研究は35,348人を対象に42,818人の入院患者を対象に行った。 複数のデータソースにわたる7500万以上のイベントが処理され、3億5500万以上のトークンが処理された。 すべてのデータソースを使用して構築されたモデルから、はるかに信頼性が高く、信頼性の高いホスピタル死亡を予測できる。
  論文  参考訳（メタデータ） (2020-09-02T22:12:18Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Computable Phenotypes of Patient Acuity in the Intensive Care Unit [0.0]
  本研究の目的は,電子カルテ内における自動変量検索を用いたアクティの電子表現型を開発することである。 フロリダ大学に入院した成人ICU患者51,372名を対象に, 単心縦型電子健康記録データセットを2つ収集した。
  論文  参考訳（メタデータ） (2020-04-27T17:36:17Z)

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。