論文の概要: Fast and Interpretable Mortality Risk Scores for Critical Care Patients

• arxiv url: http://arxiv.org/abs/2311.13015v1
• Date: Tue, 21 Nov 2023 21:44:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 17:12:58.294108
• Title: Fast and Interpretable Mortality Risk Scores for Critical Care Patients
• Title（参考訳）: 要介護患者に対する迅速かつ解釈可能な死亡リスクスコア
• Authors: Chloe Qinyu Zhu, Muhang Tian, Lesia Semenova, Jiachang Liu, Jack Xu, Joseph Scarpa, Cynthia Rudin
• Abstract要約: 正確なブラックボックスモデルと手作業による解釈可能なモデルとのギャップを埋める。 GroupFasterRiskは、私たちがここで研究している大規模なデータセットでさえ、数時間以内にリスクスコアを作成します。
• 参考スコア（独自算出の注目度）: 15.76729815116266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of mortality in intensive care unit (ICU) patients is an important task in critical care medicine. Prior work in creating mortality risk models falls into two major categories: domain-expert-created scoring systems, and black box machine learning (ML) models. Both of these have disadvantages: black box models are unacceptable for use in hospitals, whereas manual creation of models (including hand-tuning of logistic regression parameters) relies on humans to perform high-dimensional constrained optimization, which leads to a loss in performance. In this work, we bridge the gap between accurate black box models and hand-tuned interpretable models. We build on modern interpretable ML techniques to design accurate and interpretable mortality risk scores. We leverage the largest existing public ICU monitoring datasets, namely the MIMIC III and eICU datasets. By evaluating risk across medical centers, we are able to study generalization across domains. In order to customize our risk score models, we develop a new algorithm, GroupFasterRisk, which has several important benefits: (1) it uses hard sparsity constraint, allowing users to directly control the number of features; (2) it incorporates group sparsity to allow more cohesive models; (3) it allows for monotonicity correction on models for including domain knowledge; (4) it produces many equally-good models at once, which allows domain experts to choose among them. GroupFasterRisk creates its risk scores within hours, even on the large datasets we study here. GroupFasterRisk's risk scores perform better than risk scores currently used in hospitals, and have similar prediction performance to black box ML models (despite being much sparser). Because GroupFasterRisk produces a variety of risk scores and handles constraints, it allows design flexibility, which is the key enabler of practical and trustworthy model creation.
• Abstract（参考訳）: 集中治療室(ICU)患者の死亡率の予測は、救命医療において重要な課題である。 死亡リスクモデルを作成する以前の作業は、ドメインエキスパートが作成したスコアリングシステムと、ブラックボックス機械学習(ml)モデルという2つの主要なカテゴリに分類される。 ブラックボックスモデルは病院での使用には受け入れられないが、モデル(ロジスティック回帰パラメータのハンドチューニングを含む)の手動作成は、人間に高次元の制約付き最適化を実行することに依存しているため、パフォーマンスが低下する。 本研究では,正確なブラックボックスモデルとハンドチューニング可能なモデルとのギャップを埋める。 現代の解釈可能なml技術を用いて、正確な致命リスクスコアを設計する。 我々は,既存の icu 監視データセット,すなわち mimic iii と eicu データセットを活用する。 医療センター全体のリスクを評価することで、ドメイン間の一般化を研究できる。 リスクスコアモデルをカスタマイズするために,グループファスターリスク(GroupFasterRisk)というアルゴリズムを開発した。(1)ハード・スパシティ制約を使用し,機能の直接制御を可能にする,(2)グループ・スパシティを取り入れて,より凝集度の高いモデルを可能にする,(3)ドメイン知識を含むモデルに対する単調性補正を可能にする,(4)ドメインの専門家が選択できる,等しく良質なモデルが複数存在する,という,いくつかの重要なメリットがある。 GroupFasterRiskは、私たちがここで研究している大規模なデータセットでさえ、数時間以内にリスクスコアを作成します。 GroupFasterRiskのリスクスコアは、現在病院で使われているリスクスコアよりも優れており、ブラックボックスMLモデルと同じような予測性能を持っている。 groupfasterriskはさまざまなリスクスコアを生成し、制約を処理するため、実用的で信頼できるモデル作成の鍵となる設計柔軟性が実現される。

関連論文リスト

• On Evaluating Adversarial Robustness of Volumetric Medical Segmentation Models [59.45628259925441]
  体積医学セグメンテーションモデルは、臓器および腫瘍ベースのセグメンテーションタスクにおいて大きな成功を収めた。 敵の攻撃に対するその脆弱性はほとんど解明されていない。 このことは、既存のモデルの堅牢性を調べることの重要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-06-12T17:59:42Z)
• 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)
• Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
  脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。 我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。 我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-08-17T03:46:23Z)
• Distillation to Enhance the Portability of Risk Models Across Institutions with Large Patient Claims Database [12.452703677540505]
  可読性予測モデルのクロスサイト評価によるモデルポータビリティの実現性について検討する。 再帰型ニューラルネットワークを自己注意で拡張し、専門家の特徴とブレンドして、可読性予測モデルを構築する。 実験の結果、ある機関で訓練・試験されたMLモデルの直接適用は、同一施設で訓練・試験されたMLモデルよりも悪い結果が得られた。
  論文  参考訳（メタデータ） (2022-07-06T05:26:32Z)
• Survival Prediction of Heart Failure Patients using Stacked Ensemble Machine Learning Algorithm [0.0]
  心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。 データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。 本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-30T16:42:27Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany [0.0]
  いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。 ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。 本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-03T16:39:00Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。