論文の概要: Acute kidney injury prediction for non-critical care patients: a
retrospective external and internal validation study
- arxiv url: http://arxiv.org/abs/2402.04209v1
- Date: Tue, 6 Feb 2024 18:05:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 13:40:58.683733
- Title: Acute kidney injury prediction for non-critical care patients: a
retrospective external and internal validation study
- Title（参考訳）: 非クリティカルケア患者の急性腎障害予測 : 外的・内的検証による検討
- Authors: Esra Adiyeke, Yuanfang Ren, Benjamin Shickel, Matthew M. Ruppert,
Ziyuan Guan, Sandra L. Kane-Gill, Raghavan Murugan, Nabihah Amatullah,
Britney A. Stottlemyer, Tiffany L. Tran, Dan Ricketts, Christopher M Horvat,
Parisa Rashidi, Azra Bihorac, Tezcan Ozrazgat-Baslanti
- Abstract要約: 急性腎障害(AKI)は入院患者の最大18%に発症する。
ディープラーニングと従来の機械学習モデルは、AKIの進行を予測するために開発された。
他の施設で試験すると、モデルはわずかに差別を減らした。
- 参考スコア（独自算出の注目度）: 1.7667281678430398
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: Acute kidney injury (AKI), the decline of kidney excretory
function, occurs in up to 18% of hospitalized admissions. Progression of AKI
may lead to irreversible kidney damage. Methods: This retrospective cohort
study includes adult patients admitted to a non-intensive care unit at the
University of Pittsburgh Medical Center (UPMC) (n = 46,815) and University of
Florida Health (UFH) (n = 127,202). We developed and compared deep learning and
conventional machine learning models to predict progression to Stage 2 or
higher AKI within the next 48 hours. We trained local models for each site (UFH
Model trained on UFH, UPMC Model trained on UPMC) and a separate model with a
development cohort of patients from both sites (UFH-UPMC Model). We internally
and externally validated the models on each site and performed subgroup
analyses across sex and race. Results: Stage 2 or higher AKI occurred in 3%
(n=3,257) and 8% (n=2,296) of UFH and UPMC patients, respectively. Area under
the receiver operating curve values (AUROC) for the UFH test cohort ranged
between 0.77 (UPMC Model) and 0.81 (UFH Model), while AUROC values ranged
between 0.79 (UFH Model) and 0.83 (UPMC Model) for the UPMC test cohort.
UFH-UPMC Model achieved an AUROC of 0.81 (95% confidence interval [CI] [0.80,
0.83]) for UFH and 0.82 (95% CI [0.81,0.84]) for UPMC test cohorts; an area
under the precision recall curve values (AUPRC) of 0.6 (95% CI, [0.05, 0.06])
for UFH and 0.13 (95% CI, [0.11,0.15]) for UPMC test cohorts. Kinetic estimated
glomerular filtration rate, nephrotoxic drug burden and blood urea nitrogen
remained the top three features with the highest influence across the models
and health centers. Conclusion: Locally developed models displayed marginally
reduced discrimination when tested on another institution, while the top set of
influencing features remained the same across the models and sites.
- Abstract（参考訳）: 背景:急性腎障害(aki)は入院患者の最大18%で腎排尿機能の低下がみられる。
AKIの進行は腎臓に不可逆的な損傷をもたらす可能性がある。
方法: この振り返りコホート研究は、ピッツバーグ大学医療センター (UPMC) (n = 46,815) とフロリダ大学健康学部 (UFH) (n = 127,202) の非集中治療室に入院した成人例を含む。
深層学習モデルと従来の機械学習モデルを比較して,48時間以内にステージ2以上のAKIの進行を予測する。
両部位の局所モデル(UFHモデル,UPMCモデル,UPMCモデル)と,両部位の患者の発達コホート(UFH-UPMCモデル)を用いた個別モデル(UFH-UPMCモデル)を訓練した。
各部位のモデルを内部および外部で検証し,性別と人種のサブグループ分析を行った。
結果: UFH と UPMC の 3% (n=3,257) および 8% (n=2,296) に AKI が認められた。
UFHテストコホートの受信動作曲線値(AUROC)は0.77(UPMCモデル)から0.81(UFHモデル)まで、AUROC値はUPMCテストコホートの0.79(UFHモデル)から0.83(UPMCモデル)までであった。
UFH-UPMCモデルでは、UFHでは0.81(95%信頼区間 [CI] [0.80, 0.83])、UPMCテストコホートでは0.82(95% CI [0.81,0.84])、UFHでは0.6(95% CI, [0.05, 0.06])、UPMCテストコホートでは0.13(95% CI, [0.11,0.15])を達成している。
速度論的に推定された糸球体ろ過率, 腎毒性薬物負荷, 尿素窒素は, モデルおよび健康センター全体で最も影響の大きい3つの特徴を残した。
結論: 現地で開発されたモデルでは, 他の施設でテストした場合, 識別率がわずかに低下する傾向が見られたが, 影響する特徴の上位セットは, モデルとサイト間で同一のままであった。
関連論文リスト
- BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans [2.602923751641061]
BeyondCT モデルは,非造影胸部CT から1秒間 (FEV1) の強制活量および強制呼気量を予測するために開発された。
肺機能予測には非造影胸部CT検査が有用であった。
論文 参考訳（メタデータ） (2024-08-10T22:28:02Z) - Advanced Predictive Modeling for Enhanced Mortality Prediction in ICU Stroke Patients Using Clinical Data [0.0]
ストロークは成人の障害と死亡の第二の要因である。
毎年1700万人が脳卒中を患っており、約85%が虚血性脳卒中である。
我々は、死亡リスクを評価するためのディープラーニングモデルを開発し、比較のためにいくつかのベースライン機械学習モデルを実装した。
論文 参考訳（メタデータ） (2024-07-19T11:17:42Z) - Federated learning model for predicting major postoperative complications [2.565552377354702]
そこで我々は,9つの術後合併症を予測するためのフェデレーション学習モデルを開発した。
統合学習モデルと、一つのサイトで訓練されたローカル学習モデルと、2つのセンターから学習されたデータセットで訓練された中央学習モデルを比較した。
当社のフェデレート学習モデルは,各センターで最高の局所学習モデルに匹敵する性能を示し,高い一般化性を示した。
論文 参考訳（メタデータ） (2024-04-09T22:31:10Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。
モデルの一般化性を評価するには、さらなる外部検証が必要である。
論文 参考訳（メタデータ） (2024-02-08T16:54:20Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Interpretable Machine Learning Model for Early Prediction of Mortality
in Elderly Patients with Multiple Organ Dysfunction Syndrome (MODS): a
Multicenter Retrospective Study and Cross Validation [9.808639780672156]
MODS患者は死亡リスクが高く予後不良である。
本研究は,MODS高齢者の早期死亡予測のための解釈可能・一般化可能なモデルを開発することを目的とする。
論文 参考訳（メタデータ） (2020-01-28T17:15:34Z)
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。