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
- Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment [0.0]
本稿では,臨床データを用いた心疾患のリスク予測における機械学習モデルの役割,関連性,効率性を理解し,評価し,分析する。
Support Vector Machine (SVM) は91.51%の精度を示し、予測能力の観点から評価されたモデル間にその優位性を確認している。
論文 参考訳(メタデータ) (2024-10-16T22:32:19Z) - Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8~15.0%、MIMIC-IVでは12.6~12.7%である。
論文 参考訳(メタデータ) (2024-10-06T18:46:28Z) - Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。
我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。
厳密な実験と検証により,RNNモデルの優れた性能が示された。
論文 参考訳(メタデータ) (2024-09-03T19:18:16Z) - Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳(メタデータ) (2024-05-23T07:03:38Z) - 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) - 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) - 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。