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

• arxiv url: http://arxiv.org/abs/2311.13015v2
• Date: Mon, 16 Dec 2024 16:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:53:04.351855
• 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: GroupFasterRiskは、解釈可能な死亡リスクスコアアルゴリズムである。 ドメインの専門家が選択できるような、同等に優れたモデルが多数生成されます。 GroupFasterRiskのモデルは、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モデルと同等である。
• 参考スコア（独自算出の注目度）: 15.014390709006086
• License:
• Abstract: Prediction of mortality in intensive care unit (ICU) patients typically relies on black box models (that are unacceptable for use in hospitals) or hand-tuned interpretable models (that might lead to the loss in performance). We aim to bridge the gap between these two categories by building on modern interpretable ML techniques to design interpretable mortality risk scores that are as accurate as black boxes. We developed a new algorithm, GroupFasterRisk, which has several important benefits: it uses both hard and soft direct sparsity regularization, it incorporates group sparsity to allow more cohesive models, it allows for monotonicity constraint to include domain knowledge, and it produces many equally-good models, which allows domain experts to choose among them. For evaluation, we leveraged the largest existing public ICU monitoring datasets (MIMIC III and eICU). Models produced by GroupFasterRisk outperformed OASIS and SAPS II scores and performed similarly to APACHE IV/IVa while using at most a third of the parameters. For patients with sepsis/septicemia, acute myocardial infarction, heart failure, and acute kidney failure, GroupFasterRisk models outperformed OASIS and SOFA. Finally, different mortality prediction ML approaches performed better based on variables selected by GroupFasterRisk as compared to OASIS variables. GroupFasterRisk's models performed better than risk scores currently used in hospitals, and on par with black box ML models, while being orders of magnitude sparser. Because GroupFasterRisk produces a variety of risk scores, it allows design flexibility - the key enabler of practical model creation. GroupFasterRisk is a fast, accessible, and flexible procedure that allows learning a diverse set of sparse risk scores for mortality prediction.
• Abstract（参考訳）: 集中治療室(ICU)患者の死亡率の予測は、通常、ブラックボックスモデル(病院での使用が認められない)や手作りの解釈可能なモデル(パフォーマンスの低下につながる可能性がある)に依存している。 これら2つのカテゴリ間のギャップを、現代の解釈可能なML技術に基づいて構築し、ブラックボックスと同じくらい正確な解釈可能な死亡リスクスコアを設計することによって埋めることを目指している。 ハードとソフトの両方の直接的なスパーシリティ正規化、より凝集度の高いモデルを可能にするグループスペーシリティ、ドメイン知識を含むモノトニック性制約、ドメインの専門家が選択できる等質なモデルなど、いくつかの重要な利点がある。 評価には,MIMIC III と eICU を用いた。 GroupFasterRiskが作成したモデルはOASISとSAPS IIのスコアを上回り、APACHE IV/IVaと同様に、パラメータの少なくとも3分の1を使用しながら実行された。 敗血症/敗血症,急性心筋梗塞,心不全,急性腎不全では,GroupFasterRiskモデルがOASISとSOFAを上回った。 最後に、OASIS変数と比較して、GroupFasterRiskが選択した変数に基づいて、さまざまな死亡予測MLアプローチがより良い結果を得た。 GroupFasterRiskのモデルは、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モデルと同等であり、桁違いのスペーサーである。 GroupFasterRiskはさまざまなリスクスコアを生成するので、設計の柔軟性が実現できます。 GroupFasterRiskは高速でアクセシブルでフレキシブルな手順で、さまざまなリスクスコアを学習して死亡率を予測する。

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。