論文の概要: Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients
- arxiv url: http://arxiv.org/abs/2311.13925v3
- Date: Fri, 11 Oct 2024 07:40:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-14 13:28:56.438784
- Title: Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients
- Title（参考訳）: 深層神経決定林 : 患者の回復・減少を予測するための新しいアプローチ
- Authors: Mohammad Dehghani, Mobin Mohammadi, Diyana Tehrany Dehkordy,
- Abstract要約: 本研究の目的は,深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討することである。
臨床およびRT-PCRがどちらが信頼性が高いかを予測するための予測に与える影響について検討した。
その結果, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
- 参考スコア（独自算出の注目度）: 1.0874223087191939
- License:
- Abstract: It is crucial for emergency physicians to identify patients at higher risk of mortality to effectively prioritize hospital resources, particularly in regions with limited medical services. This became even more critical during global pandemics, which have disrupted lives in unprecedented ways and caused widespread morbidity and mortality. The collected data from patients is beneficial to predict the outcome, although there is a question about which data makes the most accurate predictions. Therefore, this study aimed to achieve two main objectives during the pandemic, using data and experiments from the most recent global health crisis, COVID-19. First, we want to examine whether deep learning algorithms can predict a patient's morality. Second, we investigated the impact of Clinical and RT-PCR on prediction to determine which one is more reliable. We defined four stages with different feature sets and used 9 machine learning and deep learning methods to build appropriate model. Based on results, the deep neural decision forest, as an interpretable deep learning methods, performed the best across all stages and proved its capability to predict the recovery and death of patients. Additionally, results indicate that Clinical alone (without the use of RT-PCR) is the most effective method of diagnosis, with an accuracy of 80%. This study can provide guidance for medical professionals in the event of a crisis or outbreak similar to COVID-19. Moreover, the proposed deep learning method demonstrates exceptional suitability for mortality prediction.
- Abstract（参考訳）: 救急医は死亡リスクが高い患者を識別し、特に医療機関が限られている地域では、病院の資源を効果的に優先順位付けすることが重要である。
これは、前例のない方法で生活を混乱させ、広範囲の致命傷や死亡を引き起こした世界的なパンデミックの中でさらに重要なものとなった。
患者から収集したデータは結果を予測するのに有用であるが、どのデータが最も正確な予測を行うかには疑問がある。
そこで本研究では、最新の世界的な健康危機である新型コロナウイルス(COVID-19)のデータと実験を用いて、パンデミックの2つの主要な目標を達成することを目的とした。
まず、深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討する。
第2に,臨床およびRT-PCRが予測に及ぼす影響について検討し,どちらが信頼性が高いかを検討した。
異なる機能セットで4つのステージを定義し、適切なモデルを構築するために9つの機械学習とディープラーニングメソッドを使用しました。
その結果、深層神経決定林は、解釈可能な深層学習法として、すべての段階において最善を尽くし、患者の回復と死を予測する能力を示した。
さらに, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
本研究は、新型コロナウイルス(COVID-19)に似た危機やアウトブレイクが発生した場合の医療専門家へのガイダンスを提供することができる。
さらに,本提案手法は,死亡予測に極めて適していることを示す。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Mortality Prediction with Adaptive Feature Importance Recalibration for
Peritoneal Dialysis Patients: a deep-learning-based study on a real-world
longitudinal follow-up dataset [19.7915762858399]
終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである
本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。
本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
論文 参考訳（メタデータ） (2023-01-17T13:17:54Z) - Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文 参考訳（メタデータ） (2022-05-10T16:22:16Z) - DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell
Lung Cancer Survival Analysis [8.78724404464036]
我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。
臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
論文 参考訳（メタデータ） (2021-06-12T11:02:14Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Predicting Patient COVID-19 Disease Severity by means of Statistical and
Machine Learning Analysis of Blood Cell Transcriptome Data [3.5699804146136676]
患者末梢血のデータを用いて臨床結果を予測する方法について検討した。
本研究は, 健常人と陽性患者とを鑑別し, 血液検査で測定可能な臨床パラメータをいくつか明らかにした。
そこで我々は,90%以上の重症度と死亡率予測の精度と精度を示す分析手法を多数開発した。
論文 参考訳（メタデータ） (2020-11-19T10:32:46Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic
for Interpretable Prognosis [20.701122594508675]
新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。
CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。
実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
論文 参考訳（メタデータ） (2020-07-17T09:20:56Z)
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。