論文の概要: Predicting Postoperative Nausea And Vomiting Using Machine Learning: A
Model Development and Validation Study
- arxiv url: http://arxiv.org/abs/2312.01093v1
- Date: Sat, 2 Dec 2023 09:51:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 19:19:08.923171
- Title: Predicting Postoperative Nausea And Vomiting Using Machine Learning: A
Model Development and Validation Study
- Title（参考訳）: 機械学習を用いた術後吐き気・吐き気の予測 : モデル開発と検証研究
- Authors: Maxim Glebov, Teddy Lazebnik, Boris Orkin, Haim Berkenstadt, Svetlana
Bunimovich-Mendrazitsky
- Abstract要約: 全身麻酔下手術を施行した症例では,術後の吐き気・吐き気(PONV)が頻発する。
PONV予測ツールは、それぞれ84.0%と77.3%のケースで早期および遅延PONVを正確に予測できる。
- 参考スコア（独自算出の注目度）: 0.562479170374811
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Background: Postoperative nausea and vomiting (PONV) is a frequently observed
complication in patients undergoing surgery under general anesthesia. Moreover,
it is a frequent cause of distress and dissatisfaction during the early
postoperative period. The tools used for predicting PONV at present have not
yielded satisfactory results. Therefore, prognostic tools for the prediction of
early and delayed PONV were developed in this study with the aim of achieving
satisfactory predictive performance.
Methods: The retrospective data of adult patients admitted to the
post-anesthesia care unit after undergoing surgical procedures under general
anesthesia at the Sheba Medical Center, Israel, between September 1, 2018, and
September 1, 2023, were used in this study. An ensemble model of machine
learning algorithms trained on the data of 54848 patients was developed. The
k-fold cross-validation method was used followed by splitting the data to train
and test sets that optimally preserve the sociodemographic features of the
patients, such as age, sex, and smoking habits, using the Bee Colony algorithm.
Findings: Among the 54848 patients, early and delayed PONV were observed in
2706 (4.93%) and 8218 (14.98%) patients, respectively. The proposed PONV
prediction tools could correctly predict early and delayed PONV in 84.0% and
77.3% of cases, respectively, outperforming the second-best PONV prediction
tool (Koivuranta score) by 13.4% and 12.9%, respectively. Feature importance
analysis revealed that the performance of the proposed prediction tools aligned
with previous clinical knowledge, indicating their utility.
Interpretation: The machine learning-based tools developed in this study
enabled improved PONV prediction, thereby facilitating personalized care and
improved patient outcomes.
- Abstract（参考訳）: 背景: 全身麻酔下手術を施行した症例では, 術後の吐き気・吐き気(PONV)が頻発する。
また術後早期に苦悩や不満が頻発する原因である。
現在, PONV の予測に用いられているツールは, 良好な結果が得られていない。
そこで本研究では, 早期および遅延ponv予測のための予測ツールを開発し, 良好な予測性能を実現することを目的とした。
方法】2018年9月1日から2023年9月1日までイスラエル・シェバ医療センターで全身麻酔下手術を行った後,麻酔後入院した成人患者の振り返りデータを用いた。
54848症例のデータに基づいて学習した機械学習アルゴリズムのアンサンブルモデルを開発した。
k-foldクロスバリデーション法は, Bee Colonyアルゴリズムを用いて, 年齢, 性別, 喫煙習慣などの患者の社会デマグラフィー的特徴を最適に保存する訓練セットと試験セットにデータを分割した。
発見: 54848例中, 2706例 (4.93%) と8218例 (14.98%) に早期および遅発性PONVが認められた。
提案したPONV予測ツールは、早期および遅延PONVを84.0%、77.3%で正確に予測でき、それぞれ第2位のPONV予測ツール(Koivurantaスコア)を13.4%、12.9%上回った。
特徴重要度分析の結果,提案した予測ツールの性能は過去の臨床知識と一致し,有用性を示した。
解釈:本研究で開発された機械学習ベースのツールによりponv予測が改善され,パーソナライズされたケアが容易になり,患者の成果が向上した。
関連論文リスト
- Pre-Ictal Seizure Prediction Using Personalized Deep Learning [0.0]
世界中で約2300万ないし30%のてんかん患者が薬剤抵抗性てんかん(DRE)を患っている
発作発生の予測不可能さは、安全上の問題や社会的懸念を引き起こし、DRE患者のライフスタイルを制限している。
本研究の目的は、開始から最大2時間前に発作を予測するための改良された技術と方法を使用することであった。
論文 参考訳（メタデータ） (2024-10-07T21:04:41Z) - 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) - Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。
オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。
各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
論文 参考訳（メタデータ） (2024-07-20T13:49:14Z) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-06-01T14:08:05Z) - Machine Learning Techniques for Predicting the Short-Term Outcome of
Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
7つのディフフェレント分類アルゴリズムを用いてデータを解析した。
線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
論文 参考訳（メタデータ） (2023-02-10T13:04:47Z) - Predicting Osteoarthritis Progression in Radiographs via Unsupervised
Representation Learning [2.694774938469758]
変形性関節症 (OA) は, 人口のかなりの割合, 主に高齢者の関節症である。
個人的および社会経済的負担にもかかわらず、OAの発症と進行は確実に予測できない。
膝関節X線写真に基づくOAの今後の発展を予測するための生成モデルに基づく教師なし学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-22T13:11:55Z) - On the explainability of hospitalization prediction on a large COVID-19
patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。
高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文 参考訳（メタデータ） (2021-10-28T10:23:38Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - 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) - 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。