論文の概要: Predicting Patient Recovery or Mortality Using Deep Neural Decision Tree and Forest

• arxiv url: http://arxiv.org/abs/2311.13925v4
• Date: Mon, 20 Oct 2025 14:03:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.014151
• Title: Predicting Patient Recovery or Mortality Using Deep Neural Decision Tree and Forest
• Title（参考訳）: 深部神経決定木と森林を用いた患者の回復・死亡予測
• Authors: Mohammad Dehghani, Mohadeseh Zarei Ghobadi, Mobin Mohammadi, Diyana Tehrany Dehkordy,
• Abstract要約: 重症度と予後を解析するために,Coronavirus disease 2019の診断,人口統計,健康指標,職業リスク因子を用いた。 予測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手法が採用された。 患者の結果を予測するために,各段階のモデルを評価した。
• 参考スコア（独自算出の注目度）: 0.4645282522206518
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective: Identifying patients at high risk of mortality is crucial for emergency physicians to allocate hospital resources effectively, particularly in regions with limited medical services. This need becomes even more pressing during global health crises that lead to significant morbidity and mortality. This study aimed to present the usability deep neural decision forest and deep neural decision tree to predict mortality among Coronavirus disease 2019 (COVID-19) patients. To this end, We used patient data encompassing Coronavirus disease 2019 diagnosis, demographics, health indicators, and occupational risk factors to analyze disease severity and outcomes. The dataset was partitioned using a stratified sampling method, ensuring that 80% was allocated for training and 20% for testing. Nine machine learning and deep learning methods were employed to build predictive models. The models were evaluated across all stages to determine their effectiveness in predicting patient outcomes. Results: Among the models, the deep neural decision forest consistently outperformed others. Results indicated that using only clinical data yielded an accuracy of 80% by deep neural decision forest, demonstrating it as a reliable predictor of patient mortality. Moreover, the results suggest that clinical data alone may be the most accurate diagnostic tool for predicting mortality.
• Abstract（参考訳）: 目的: 死亡リスクの高い患者を特定することは, 救急医にとって, 特に医療サービスに制限のある地域において, 病院の資源を効果的に割り当てることが重要である。 この必要性は、世界的な健康危機によって深刻な死亡率と死亡率に繋がる中でさらに強まります。 本研究は,コロナウイルス感染症2019(COVID-19)患者の死亡率を予測するために,深層神経決定林と深部神経決定木を提示することを目的とした。 この目的のために, コロナウイルスの診断, 人口統計, 健康指標, 職業リスク因子を含む患者データを用いて, 重症度と結果を分析した。 データセットは階層化されたサンプリング手法で分割され、トレーニングには80%、テストには20%が割り当てられた。 予測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手法が採用された。 患者の結果を予測するために,各段階のモデルを評価した。 結果: モデルの中で, 深層神経決定林は, 常に他よりも優れていた。 その結果, 臨床データのみを用いて深層神経決定林の80%の精度が得られ, 患者死亡予測の信頼性が示された。 さらに,臨床データだけで死亡率を予測する最も正確な診断ツールである可能性が示唆された。

関連論文リスト

• Feature-Enhanced Machine Learning for All-Cause Mortality Prediction in Healthcare Data [0.0]
  本研究は,MIMIC-IIIデータベースを用いた全病院死亡予測のための機械学習モデルを評価する。 我々は,バイタルサイン(心拍数,血圧など),実験結果,人口統計情報などの重要な特徴を抽出した。 ランダムフォレストモデルは、AUCの0.94で最高性能を達成し、他の機械学習やディープラーニングのアプローチを著しく上回った。
  論文  参考訳（メタデータ） (2025-03-27T08:04:42Z)
• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  セプシスはアメリカ合衆国と世界中で多くの死者を負う重篤な状態である。 機械学習を用いたこれまでの研究では、特徴選択とモデル解釈可能性に制限があった。 本研究は,院内敗血症死亡率を予測するための,解釈可能かつ正確な機械学習モデルを開発することを目的とした。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• 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。