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
- Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。
広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。
本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
論文 参考訳（メタデータ） (2024-09-03T07:57:08Z) - 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) - Normative Diffusion Autoencoders: Application to Amyotrophic Lateral Sclerosis [1.7397451877951422]
ノルメティヴモデルは、大きな健康コホートを活用することで、統計力を増加させる解を示す。
我々は、規範拡散オートエンコーダフレームワークを導入することにより、生成的および規範的モデリングの利点を組み合わせる。
提案手法はALSの予測における生成的および非生成的規範的モデリングベンチマークよりも優れている。
論文 参考訳（メタデータ） (2024-07-19T10:39:24Z) - Comparison of static and dynamic random forests models for EHR data in the presence of competing risks: predicting central line-associated bloodstream infection [2.202802833281752]
病院の入院に関する予後の結果は、一般的に検閲に苦しめられず、分類的にも時間的にもモデル化できる。
本研究は無作為林(RF)モデルを用いて中央線関連血液ストリーム感染症(CLABSI)の発症リスクを予測した。
論文 参考訳（メタデータ） (2024-04-24T18:31:48Z) - Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。
グループDROフレームワークをQ-Diversityを提案して再構築する。
インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
論文 参考訳（メタデータ） (2023-05-20T07:02:27Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - 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) - EPIC-Survival: End-to-end Part Inferred Clustering for Survival
Analysis, Featuring Prognostic Stratification Boosting [0.0]
epic-survival bridgeは、エンドツーエンドサバイバルモデリングアプローチにエンコードし、集約する。
肝内胆管癌のモデルとしてEPIC-Survivalが有用であった。
論文 参考訳（メタデータ） (2021-01-26T21:11:45Z) - WRSE -- a non-parametric weighted-resolution ensemble for predicting
individual survival distributions in the ICU [0.251657752676152]
集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。
現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
論文 参考訳（メタデータ） (2020-11-02T10:13:59Z) - 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。