論文の概要: Voice-Driven Mortality Prediction in Hospitalized Heart Failure
Patients: A Machine Learning Approach Enhanced with Diagnostic Biomarkers
- arxiv url: http://arxiv.org/abs/2402.13812v1
- Date: Wed, 21 Feb 2024 13:50:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 15:21:20.331766
- Title: Voice-Driven Mortality Prediction in Hospitalized Heart Failure
Patients: A Machine Learning Approach Enhanced with Diagnostic Biomarkers
- Title(参考訳): 入院心不全患者の音声による死亡予測 : 診断バイオマーカーを用いた機械学習アプローチ
- Authors: Nihat Ahmadli, Mehmet Ali Sarsil, Berk Mizrak, Kurtulus Karauzum, Ata
Shaker, Erol Tulumen, Didar Mirzamidinov, Dilek Ural, Onur Ergen
- Abstract要約: 心不全患者の死亡率を予測するための、強力で効果的な機械学習モデルを示す。
音声バイオマーカーを日常的な患者のモニタリングに組み込むことで、この戦略は患者の結果を改善できる可能性がある。
本研究では,患者の5年間の死亡率を予測するために,音声を入力として機械学習システムを構築した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Addressing heart failure (HF) as a prevalent global health concern poses
difficulties in implementing innovative approaches for enhanced patient care.
Predicting mortality rates in HF patients, in particular, is difficult yet
critical, necessitating individualized care, proactive management, and enabling
educated decision-making to enhance outcomes. Recently, the significance of
voice biomarkers coupled with Machine Learning (ML) has surged, demonstrating
remarkable efficacy, particularly in predicting heart failure. The synergy of
voice analysis and ML algorithms provides a non-invasive and easily accessible
means to evaluate patients' health. However, there is a lack of voice
biomarkers for predicting mortality rates among heart failure patients with
standardized speech protocols. Here, we demonstrate a powerful and effective ML
model for predicting mortality rates in hospitalized HF patients through the
utilization of voice biomarkers. By seamlessly integrating voice biomarkers
into routine patient monitoring, this strategy has the potential to improve
patient outcomes, optimize resource allocation, and advance patient-centered HF
management. In this study, a Machine Learning system, specifically a logistic
regression model, is trained to predict patients' 5-year mortality rates using
their speech as input. The model performs admirably and consistently, as
demonstrated by cross-validation and statistical approaches (p-value < 0.001).
Furthermore, integrating NT-proBNP, a diagnostic biomarker in HF, improves the
model's predictive accuracy substantially.
- Abstract(参考訳): 心臓不全(HF)を世界的な健康上の問題として扱うことは、患者ケアを強化する革新的なアプローチの実践に困難をもたらす。
特にhf患者の死亡率の予測は、個別のケア、積極的な管理、教育を受けた意思決定による成果の向上を必要とするため、困難かつ批判的である。
近年,機械学習(ML)と組み合わせた音声バイオマーカーの重要性が高まり,特に心不全の予測において顕著な効果が示された。
音声分析とMLアルゴリズムのシナジーは、患者の健康を評価する非侵襲的で容易にアクセスできる手段を提供する。
しかし、標準化された音声プロトコルを用いて心不全患者の死亡率を予測するための音声バイオマーカーが不足している。
そこで我々は,音声バイオマーカーを用いて,入院HF患者の死亡率を予測するための,強力かつ効果的なMLモデルを実証した。
音声バイオマーカーを日常的な患者モニタリングにシームレスに統合することにより、患者の成果を改善し、リソース割り当てを最適化し、患者中心のHF管理を進めることができる。
本研究では,機械学習システム,特にロジスティック回帰モデルを用いて,患者の音声を入力として5年間の死亡率を予測する。
このモデルは、クロスバリデーションと統計的アプローチ(p-値 < 0.001)で示されるように、素晴らしく一貫して動作する。
さらに、診断バイオマーカーであるNT-proBNPをHFに統合することで、モデルの予測精度が大幅に向上する。
関連論文リスト
- Automatic prediction of mortality in patients with mental illness using
electronic health records [0.5957022371135096]
本報告では,精神疾患患者の死亡率を予測するための永続的課題について述べる。
MIMIC-IIIデータセットから精神疾患の診断データを抽出した。
4つの機械学習アルゴリズムを使用し、ランダムフォレストとサポートベクターマシンのモデルが他のモデルよりも優れていたことを示す結果が得られた。
論文 参考訳(メタデータ) (2023-10-18T17:21:01Z) - Enhancing Mortality Prediction in Heart Failure Patients: Exploring
Preprocessing Methods for Imbalanced Clinical Datasets [0.0]
心不全 (Heart failure, HF) は、患者の管理決定を導く上で、死亡率の正確な予測が重要な役割を果たす重要な疾患である。
本稿では,スケーリング,アウトレーヤ処理,再サンプリングを含む包括的事前処理フレームワークを提案する。
適切な前処理技術と機械学習(ML)アルゴリズムを活用することで,HF患者の死亡予測性能を向上させることを目指す。
論文 参考訳(メタデータ) (2023-09-30T18:31:15Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳(メタデータ) (2023-03-24T03:14:00Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳(メタデータ) (2022-07-21T09:35:38Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳(メタデータ) (2022-04-24T07:38:37Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳(メタデータ) (2021-12-19T01:45:57Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳(メタデータ) (2021-08-31T08:23:56Z) - Survival Prediction of Heart Failure Patients using Stacked Ensemble
Machine Learning Algorithm [0.0]
心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。
データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。
本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
論文 参考訳(メタデータ) (2021-08-30T16:42:27Z) - Understanding Heart-Failure Patients EHR Clinical Features via SHAP
Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
心不全(Heart failure, HF)は、死因の一つ。
機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。
以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
論文 参考訳(メタデータ) (2021-03-20T22:17:05Z) - 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) - ISeeU2: Visually Interpretable ICU mortality prediction using deep
learning and free-text medical notes [0.0]
そこで本研究では,MIMIC-IIIで訓練した深層学習モデルを用いて,生の看護ノートによる死亡率の予測と,単語の重要性の視覚的説明を行う。
我々のモデルは0.8629のROCに達し、従来のSAPS-IIスコアを上回り、類似のDeep Learningアプローチと比較して高い解釈性を提供する。
論文 参考訳(メタデータ) (2020-05-19T08:30:34Z)
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。