論文の概要: Cluster trajectory of SOFA score in predicting mortality in sepsis
- arxiv url: http://arxiv.org/abs/2311.17066v1
- Date: Thu, 23 Nov 2023 12:29:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-03 13:08:34.796802
- Title: Cluster trajectory of SOFA score in predicting mortality in sepsis
- Title（参考訳）: 敗血症死亡予測におけるSOFAスコアのクラスター軌跡
- Authors: Yuhe Ke, Matilda Swee Sun Tang, Celestine Jia Ling Loh, Hairil Rizal
Abdullah, Nicholas Brian Shannon
- Abstract要約: 逐次組織不全評価(SOFA)スコアは、臓器機能不全を評価し、ICU死亡率を予測するために一般的に用いられる。
本研究の目的は、ICU入院72時間におけるSOFAスコアの動的変化と患者の成績との関係を検討することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objective: Sepsis is a life-threatening condition. Sequential Organ Failure
Assessment (SOFA) score is commonly used to assess organ dysfunction and
predict ICU mortality, but it is taken as a static measurement and fails to
capture dynamic changes. This study aims to investigate the relationship
between dynamic changes in SOFA scores over the first 72 hours of ICU admission
and patient outcomes.
Design, setting, and participants: 3,253 patients in the Medical Information
Mart for Intensive Care IV database who met the sepsis-3 criteria and were
admitted from the emergency department with at least 72 hours of ICU admission
and full-active resuscitation status were analysed. Group-based trajectory
modelling with dynamic time warping and k-means clustering identified distinct
trajectory patterns in dynamic SOFA scores. They were subsequently compared
using Python.
Main outcome measures: Outcomes including hospital and ICU mortality, length
of stay in hospital and ICU, and readmission during hospital stay, were
collected. Discharge time from ICU to wards and cut-offs at 7-day and 14-day
were taken.
Results: Four clusters were identified: A (consistently low SOFA scores), B
(rapid increase followed by a decline in SOFA scores), C (higher baseline
scores with gradual improvement), and D (persistently elevated scores). Cluster
D had the longest ICU and hospital stays, highest ICU and hospital mortality.
Discharge rates from ICU were similar for Clusters A and B, while Cluster C had
initially comparable rates but a slower transition to ward.
Conclusion: Monitoring dynamic changes in SOFA score is valuable for
assessing sepsis severity and treatment responsiveness.
- Abstract（参考訳）: 目的: セプシスは生命を脅かす状態である。
連続的臓器不全評価(sequential organ failure assessment, sofa)スコアは、臓器機能障害の評価やicu死亡率の予測に一般的に用いられるが、静的測定として捉えられ、動的変化を捉えることができない。
本研究の目的は、ICU入院72時間におけるSOFAスコアの動的変化と患者の成績との関係を検討することである。
設計, 設定, 参加者: 集中治療ivデータベースのための医療情報マート3,253名の患者に対し, 敗血症-3基準を満たし, icu入院72時間以上, 蘇生状態も検討した。
動的時間ゆがみとk平均クラスタリングを用いた群ベース軌道モデリングは、動的ソファスコアの異なる軌道パターンを同定した。
その後、Pythonで比較された。
主な成果は, 病院, ICU死亡率, 入院期間, ICU, 入院期間, 入院期間などであった。
ICUから病棟への放電時間と7日間と14日間のカットオフが行われた。
結果: A群, B群, C群, D群の4群を同定した。
クラスターDは、最も長いICUと病院滞在、最も高いICUと病院死亡率を有していた。
ICUからの放電速度はクラスターAとBに似ており、クラスタCは当初は同等の速度であったが、ウォードへの移行は遅い。
結論:SOFAスコアの動的変化のモニタリングは敗血症重症度と治療応答性を評価する上で重要である。
関連論文リスト
- 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) - Deep Representation Learning-Based Dynamic Trajectory Phenotyping for Acute Respiratory Failure in Medical Intensive Care Units [4.9981612589160775]
セプシスによる急性呼吸不全(ARF)は予後不良の重篤な合併症である。
本稿では, 敗血症患者の臨床軌跡の異なるグループを同定するために, 深部表現学習に基づく表現型表現法を提案する。
論文 参考訳（メタデータ） (2024-05-04T04:29:22Z) - Identifying Subgroups of ICU Patients Using End-to-End Multivariate
Time-Series Clustering Algorithm Based on Real-World Vital Signs Data [1.6160887070677055]
本研究は,MIMIC-IVデータベースをデータソースとして,動的,高周波,多変量周期のバイタルサインデータの利用について検討した。
様々なクラスタリングアルゴリズムを比較し,K-Meansと組み合わせたTime2Featと呼ばれるエンドツーエンドの時系列クラスタリングシステムを,ICUの患者をクラスタリングする最も効果的な方法として選択した。
論文 参考訳（メタデータ） (2023-06-03T14:25:15Z) - XMI-ICU: Explainable Machine Learning Model for Pseudo-Dynamic
Prediction of Mortality in the ICU for Heart Attack Patients [3.5475382876263915]
心臓発作は、米国と世界の死亡率に最も貢献している1つである。
我々は,ICUにおける死亡予測のための新しい擬似力学機械学習フレームワークを開発し,解釈可能性と臨床リスク分析を行った。
論文 参考訳（メタデータ） (2023-05-10T12:53:18Z) - Integrating Physiological Time Series and Clinical Notes with
Transformer for Early Prediction of Sepsis [10.791880225915255]
セプシスはICU (Intensive Care Units) の主要な死因である。
早期敗血症予測のためのマルチモーダル変圧器モデルを提案する。
ICU入院後36ドル以内の患者に対して, 生理的時系列データと臨床記録を用いて検討した。
論文 参考訳（メタデータ） (2022-03-28T03:19:03Z) - COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文 参考訳（メタデータ） (2021-09-14T14:16:32Z) - Predicting sepsis in multi-site, multi-national intensive care cohorts
using deep learning [12.63135352255575]
ICUにおける敗血症予測のための機械学習(ML)システムの開発と検証を行った。
我々の分析はMLを用いた敗血症予測のための多国間多中心ICU研究としては最大である。
論文 参考訳（メタデータ） (2021-07-12T07:21:58Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳（メタデータ） (2020-06-15T21:01:33Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳（メタデータ） (2020-05-07T16:13:12Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。