論文の概要: APRICOT-Mamba: Acuity Prediction in Intensive Care Unit (ICU):
Development and Validation of a Stability, Transitions, and Life-Sustaining
Therapies Prediction Model
- arxiv url: http://arxiv.org/abs/2311.02026v2
- Date: Fri, 8 Mar 2024 06:29:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 23:02:23.515293
- Title: APRICOT-Mamba: Acuity Prediction in Intensive Care Unit (ICU):
Development and Validation of a Stability, Transitions, and Life-Sustaining
Therapies Prediction Model
- Title（参考訳）: APRICOT-Mamba: Acuity Prediction in Intensive Care Unit (ICU) : 安定度・遷移度・寿命予測モデルの開発と検証
- Authors: Miguel Contreras, Brandon Silva, Benjamin Shickel, Tezcan
Ozrazgat-Baslanti, Yuanfang Ren, Ziyuan Guan, Jeremy Balch, Jiaqing Zhang,
Sabyasachi Bandyopadhyay, Kia Khezeli, Azra Bihorac, Parisa Rashidi
- Abstract要約: 集中治療室(ICU)の患者の体力状態は、すぐに安定して不安定になる。
早期の劣化状態の検出は、タイムリーな介入と生存率の改善をもたらす可能性がある。
Intensive Care Unit-MambaにおけるAPRICOT-M(Acuity Prediction in Intensive Care Unit-Mamba)を提案する。
- 参考スコア（独自算出の注目度）: 12.370938858314911
- 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. Early detection of deteriorating conditions can
result in providing timely interventions and improved survival rates. In this
study, we propose APRICOT-M (Acuity Prediction in Intensive Care Unit-Mamba), a
150k-parameter state space-based neural network to predict acuity state,
transitions, and the need for life-sustaining therapies in real-time in ICU
patients. The model uses data obtained in the prior four hours in the ICU and
patient information obtained at admission to predict the acuity outcomes in the
next four hours. We validated APRICOT-M externally on data from hospitals not
used in development (75,668 patients from 147 hospitals), temporally on data
from a period not used in development (12,927 patients from one hospital from
2018-2019), and prospectively on data collected in real-time (215 patients from
one hospital from 2021-2023) using three large datasets: the University of
Florida Health (UFH) dataset, the electronic ICU Collaborative Research
Database (eICU), and the Medical Information Mart for Intensive Care
(MIMIC)-IV. The area under the receiver operating characteristic curve (AUROC)
of APRICOT-M for mortality (external 0.94-0.95, temporal 0.97-0.98, prospective
0.96-1.00) and acuity (external 0.95-0.95, temporal 0.97-0.97, prospective
0.96-0.96) shows comparable results to state-of-the-art models. Furthermore,
APRICOT-M can predict transitions to instability (external 0.81-0.82, temporal
0.77-0.78, prospective 0.68-0.75) and need for life-sustaining therapies,
including mechanical ventilation (external 0.82-0.83, temporal 0.87-0.88,
prospective 0.67-0.76), and vasopressors (external 0.81-0.82, temporal
0.73-0.75, prospective 0.66-0.74). This tool allows for real-time acuity
monitoring in critically ill patients and can help clinicians make timely
interventions.
- Abstract（参考訳）: 集中治療室(ICU)の患者の体力状態は、すぐに安定して不安定になる。
早期の劣化状態の検出は、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。
本研究では,ICU患者に対するAPRICOT-M(Acuity Prediction in Intensive Care Unit-Mamba)を提案する。
このモデルでは、ICUの4時間前のデータと入院時に得られた患者情報を用いて、次の4時間における明度結果を予測する。
We validated APRICOT-M externally on data from hospitals not used in development (75,668 patients from 147 hospitals), temporally on data from a period not used in development (12,927 patients from one hospital from 2018-2019), and prospectively on data collected in real-time (215 patients from one hospital from 2021-2023) using three large datasets: the University of Florida Health (UFH) dataset, the electronic ICU Collaborative Research Database (eICU), and the Medical Information Mart for Intensive Care (MIMIC)-IV.
APRICOT-Mの死亡率曲線 (external 0.94-0.95, temporal 0.97-0.98, prospective 0.96-1.00) と Acuity (external 0.95-0.95, temporal 0.97-0.97, prospective 0.96-0.96) の下の領域は、最先端技術モデルと同等の結果を示す。
さらに、APRICOT-Mは不安定への遷移(外部の0.11-0.82, 時間的な 0.77-0.78, 予測的な 0.68-0.75)を予測でき、機械的換気(外部の 0.82-0.83, 時間的 0.87-0.88, 予測的な 0.67-0.76)や血管圧薬(外部の 0.81-0.82, 時間的 0.73-0.75, 予測的な 0.66-0.74)を含む生命維持療法の必要性がある。
このツールは、重篤な患者に対するリアルタイムの明度モニタリングを可能にし、クリニックがタイムリーな介入を行うのを助ける。
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。