論文の概要: A Comparative Analysis of Machine Learning Models for Early Detection of
Hospital-Acquired Infections
- arxiv url: http://arxiv.org/abs/2311.09329v1
- Date: Wed, 15 Nov 2023 19:36:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 17:55:12.315614
- Title: A Comparative Analysis of Machine Learning Models for Early Detection of
Hospital-Acquired Infections
- Title（参考訳）: 病院感染早期発見のための機械学習モデルの比較分析
- Authors: Ethan Harvey, Junzi Dong, Erina Ghosh, and Ali Samadani
- Abstract要約: 感染リスク指数(IRI)と換気器関連肺炎(VAP)予測モデルを比較した。
IRIモデルはすべてのHAIを予測するために構築され、VAPモデルは人工呼吸器関連肺炎のリスクのある患者を特定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As more and more infection-specific machine learning models are developed and
planned for clinical deployment, simultaneously running predictions from
different models may provide overlapping or even conflicting information. It is
important to understand the concordance and behavior of parallel models in
deployment. In this study, we focus on two models for the early detection of
hospital-acquired infections (HAIs): 1) the Infection Risk Index (IRI) and 2)
the Ventilator-Associated Pneumonia (VAP) prediction model. The IRI model was
built to predict all HAIs, whereas the VAP model identifies patients at risk of
developing ventilator-associated pneumonia. These models could make important
improvements in patient outcomes and hospital management of infections through
early detection of infections and in turn, enable early interventions. The two
models vary in terms of infection label definition, cohort selection, and
prediction schema. In this work, we present a comparative analysis between the
two models to characterize concordances and confusions in predicting HAIs by
these models. The learnings from this study will provide important findings for
how to deploy multiple concurrent disease-specific models in the future.
- Abstract（参考訳）: より多くの感染症特異的機械学習モデルが開発され、臨床展開に向けて計画されているため、異なるモデルからの予測を同時に実行することで、重複や矛盾する情報も提供できる。
デプロイにおける並列モデルの一致と振る舞いを理解することが重要である。
本研究では,病院感染の早期発見のための2つのモデルに焦点を当てた。
1)感染リスク指数(IRI)と
2)人工呼吸器関連肺炎(vap)予測モデル。
IRIモデルはすべてのHAIを予測するために構築され、VAPモデルは人工呼吸器関連肺炎のリスクのある患者を特定する。
これらのモデルは、感染の早期発見と早期介入を可能にすることで、患者の成果と感染管理において重要な改善をもたらす可能性がある。
2つのモデルは、感染ラベルの定義、コホート選択、予測スキーマの点で異なる。
本研究では,これらのモデルによるヘイ予測における一致と混乱を特徴付ける2つのモデルの比較分析を行う。
本研究から得られた知見は,多発性疾患特異的モデルを将来展開するための重要な知見となる。
関連論文リスト
- Towards a Transportable Causal Network Model Based on Observational
Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。
このモデルは、患者の2つの異なるコホートからなるデータから学習する。
結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文 参考訳（メタデータ） (2023-11-13T13:23:31Z) - 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) - What Do You See in this Patient? Behavioral Testing of Clinical NLP
Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。
私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文 参考訳（メタデータ） (2021-11-30T15:52:04Z) - Modelling COVID-19 Pandemic Dynamics Using Transparent, Interpretable,
Parsimonious and Simulatable (TIPS) Machine Learning Models: A Case Study
from Systems Thinking and System Identification Perspectives [1.4061680807550718]
本研究では, システム工学とシステム同定手法を用いて, 透過的, 解釈可能, 擬似的, シミュラブルな動的機械学習モデルを構築することを提案する。
TIPSモデルは、よく知られたNARMAX(Nonlinear AutoRegressive moving Average with eXogenous inputs)モデルに基づいて開発されている。
論文 参考訳（メタデータ） (2021-11-01T08:42:37Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Medical Profile Model: Scientific and Practical Applications in
Healthcare [1.718235998156457]
本研究は, 患者の病歴を, 病の時間的シーケンスとして提示し, その埋め込みを教師なしで学習する。
埋め込みスペースには、一般化された患者プロファイルの作成を可能にする人口統計パラメータが含まれている。
このような医療プロファイルモデルのトレーニングは、100万人以上の患者のデータセット上で実施されている。
論文 参考訳（メタデータ） (2021-06-21T13:30:43Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - 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) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - Bidirectional Representation Learning from Transformers using Multimodal
Electronic Health Record Data to Predict Depression [11.1492931066686]
うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。
このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
論文 参考訳（メタデータ） (2020-09-26T17:56:37Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。