Fugu-MT 論文翻訳(概要): Machine learning predicts long-term mortality after acute myocardial infarction using systolic time intervals and routinely collected clinical data

論文の概要: Machine learning predicts long-term mortality after acute myocardial infarction using systolic time intervals and routinely collected clinical data

arxiv url: http://arxiv.org/abs/2403.01533v1
Date: Sun, 3 Mar 2024 15:23:49 GMT
ステータス: 処理完了
システム内更新日: 2024-03-06 20:55:23.346563
Title: Machine learning predicts long-term mortality after acute myocardial infarction using systolic time intervals and routinely collected clinical data
Title（参考訳）: 機械学習は収縮期間隔と定期的な臨床データを用いて急性心筋梗塞後の長期死亡を予測する
Authors: Bijan Roudini, Boshra Khajehpiri, Hamid Abrishami Moghaddam, and Mohamad Forouzanfar
Abstract要約: 樹齢14年以内の死亡率を予測するため,木に基づくMLアルゴリズムの性能について検討した。機能セットにbPEPとbETを追加することで,アルゴリズムの性能が大幅に向上した。この進歩は、リスクの高い個人に対してより良い治療優先順位付けを可能にする可能性がある。
参考スコア（独自算出の注目度）: 0.35998666903987897
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Precise estimation of cardiac patients' current and future comorbidities is an important factor in prioritizing continuous physiological monitoring and new therapies. ML models have shown satisfactory performance in short-term mortality prediction of patients with heart disease, while their utility in long-term predictions is limited. This study aims to investigate the performance of tree-based ML models on long-term mortality prediction and the effect of two recently introduced biomarkers on long-term mortality. This study utilized publicly available data from CCHIA at the Ministry of Health and Welfare, Taiwan, China. Medical records were used to gather demographic and clinical data, including age, gender, BMI, percutaneous coronary intervention (PCI) status, and comorbidities such as hypertension, dyslipidemia, ST-segment elevation myocardial infarction (STEMI), and non-STEMI. Using medical and demographic records as well as two recently introduced biomarkers, brachial pre-ejection period (bPEP) and brachial ejection time (bET), collected from 139 patients with acute myocardial infarction, we investigated the performance of advanced ensemble tree-based ML algorithms (random forest, AdaBoost, and XGBoost) to predict all-cause mortality within 14 years. The developed ML models achieved significantly better performance compared to the baseline LR (C-Statistic, 0.80 for random forest, 0.79 for AdaBoost, and 0.78 for XGBoost, vs 0.77 for LR) (P-RF<0.001, PAdaBoost<0.001, PXGBoost<0.05). Adding bPEP and bET to our feature set significantly improved the algorithms' performance, leading to an absolute increase in C-Statistic of up to 0.03 (C-Statistic, 0.83 for random forest, 0.82 for AdaBoost, and 0.80 for XGBoost, vs 0.74 for LR) (P-RF<0.001, PAdaBoost<0.001, PXGBoost<0.05). This advancement may enable better treatment prioritization for high-risk individuals.
Abstract（参考訳）: 連続的生理的モニタリングと新しい治療法の優先順位付けには, 心臓患者の現在と今後の合併症の正確な評価が重要である。 MLモデルは、心臓疾患患者の短期死亡予測において良好な性能を示す一方で、長期予後におけるそれらの有用性は限定的である。本研究では,木質MLモデルの性能が長期死亡予測に及ぼす影響と,最近導入された2つのバイオマーカーが長期死亡に与える影響について検討する。本研究は,中国台湾の厚生労働省におけるcchiaの公開データを活用した。年齢,性別,BMI,経皮的冠動脈インターベンション(PCI)状態,高血圧,ジスリピド血症,ST-segment elevation myocardial infarction(STEMI),非STEMIなどの合併症など,人口統計や臨床データを収集するために医療記録が用いられた。急性心筋梗塞患者139名を対象に,最近導入した2つのバイオマーカー,bpep(brachial pre-ejection period)とbet(brachial ejection time)を用いて,14年以内に全死亡率を予測するための高度アンサンブル・ツリー型mlアルゴリズム(random forest, adaboost, xgboost)の性能を検討した。開発されたMLモデルは、ベースラインLR(C-Statistic、ランダムフォレスト0.80、AdaBoost0.79、XGBoost0.77、LR0.77、P-RF<0.001、PAdaBoost0.001、PXGBoost<0.05)と比較して、大幅に性能が向上した。特徴セットに bPEP と bET を追加することでアルゴリズムの性能が大幅に向上し,C-Statistic は 0.03 (C-Statistic は 0.83,AdaBoost は 0.82,XGBoost は 0.74) となる(P-RF<0.001,PAdaBoost<0.001,PXGBoost<0.05)。この進歩は、リスクの高い個人に対するより良い治療優先順位付けを可能にする。

関連論文リスト

Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
論文参考訳（メタデータ） (2024-09-03T07:57:08Z)
New spectral imaging biomarkers for sepsis and mortality in intensive care [0.23592579902069336]
本研究の推進的仮説は、高スペクトルイメージング(HSI)が敗血症診断および治療管理のための新しいバイオマーカーを提供することができるというものであった。集中治療室入院当日480名以上の患者の手のひらと指のHSIデータを総合的に調査した。
論文参考訳（メタデータ） (2024-08-19T10:24:57Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Improving Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models: A Case Study on Myocardial Infarction [0.0]
心臓血管疾患は現代世界でも主要な死因である。正確な予測は、医療戦略の精査に欠かせない。 XGBoostがトップパフォーマンスモデルとして登場します。
論文参考訳（メタデータ） (2023-11-01T13:41:44Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
Performance of multilabel machine learning models and risk stratification schemas for predicting stroke and bleeding risk in patients with non-valvular atrial fibrillation [22.45448597986172]
マルチラベル勾配押し上げ機は、脳卒中、大出血、死亡に最適な識別力を与えた。モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。
論文参考訳（メタデータ） (2022-02-02T15:15:03Z)
An early warning tool for predicting mortality risk of COVID-19 patients using machine learning [0.0]
2020年1月10日から2月18日にかけて、東寺病院(中国)に入院した375人の新型コロナウイルス陽性患者を対象に、振り返り調査を行った。新型コロナウイルス患者の死亡リスクを予測するため,ノモグラムが開発された。総合スコア(LNLCA)を対応する死亡確率で算出した。
論文参考訳（メタデータ） (2020-07-29T15:16:09Z)
Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文参考訳（メタデータ） (2020-07-16T17:43:13Z)
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)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。