論文の概要: Unsupervised Learning Approaches for Identifying ICU Patient Subgroups: Do Results Generalise?

• arxiv url: http://arxiv.org/abs/2403.02945v1
• Date: Tue, 5 Mar 2024 13:16:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 14:49:04.020584
• Title: Unsupervised Learning Approaches for Identifying ICU Patient Subgroups: Do Results Generalise?
• Title（参考訳）: icu患者サブグループ識別のための教師なし学習アプローチ:結果は一般化するか?
• Authors: Harry Mayne, Guy Parsons and Adam Mahdi
• Abstract要約: 患者サブグループを特定するための教師なし学習の使用は、ICU効率を改善するための潜在的に有望な方向として現れている。 ICUに共通するサブグループが存在するかは定かでないが,ICU再構成が標準化された方法で実施可能かは定かでない。 医療資源のニーズを表す16の特徴を抽出し,コンセンサスクラスタリングを用いて患者サブグループを抽出した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of unsupervised learning to identify patient subgroups has emerged as a potentially promising direction to improve the efficiency of Intensive Care Units (ICUs). By identifying subgroups of patients with similar levels of medical resource need, ICUs could be restructured into a collection of smaller subunits, each catering to a specific group. However, it is unclear whether common patient subgroups exist across different ICUs, which would determine whether ICU restructuring could be operationalised in a standardised manner. In this paper, we tested the hypothesis that common ICU patient subgroups exist by examining whether the results from one existing study generalise to a different dataset. We extracted 16 features representing medical resource need and used consensus clustering to derive patient subgroups, replicating the previous study. We found limited similarities between our results and those of the previous study, providing evidence against the hypothesis. Our findings imply that there is significant variation between ICUs; thus, a standardised restructuring approach is unlikely to be appropriate. Instead, potential efficiency gains might be greater when the number and nature of the subunits are tailored to each ICU individually.
• Abstract（参考訳）: 患者サブグループを特定するための教師なし学習の使用は、集中治療ユニット(icus)の効率を改善する可能性を秘めている。 同様のレベルの医療資源を必要とする患者のサブグループを特定することで、ICUは小さなサブユニットの集まりに再構成され、それぞれが特定のグループに配属される。 しかし、ICUの再構成が標準化された方法で実施可能かどうかを判断する共通患者サブグループが存在するかどうかは不明である。 本稿では,既存の研究結果が別のデータセットに一般化するかどうかを調べることで,ICU患者サブグループが存在するという仮説を検証した。 医療資源ニーズを表わす16の特徴を抽出し,患者サブグループを導出するためにコンセンサスクラスタリングを用いて先行研究を再現した。 結果と過去の研究結果の類似性は限定的であり、仮説に対する証拠を提供した。 以上の結果から,icu間には有意な差異があることが示唆され,標準化された再構成アプローチが適切とは考えにくい。 代わりに、サブユニットの数と性質がそれぞれの ICU に個別に調整されている場合、潜在的な効率向上は大きいかもしれない。

関連論文リスト

• How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
  グループ不均衡は経験的リスク最小化において既知の問題である。 本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
  論文  参考訳（メタデータ） (2024-03-12T04:38:05Z)
• The Role of Subgroup Separability in Group-Fair Medical Image Classification [18.29079361470428]
  診断などの系統的バイアスを伴うデータを用いて, サブグループ分離性, サブグループ分離性, 性能劣化の関係について検討した。 私たちの発見は、モデルがどのように偏見を抱くかという問題に新たな光を当て、公正な医療画像AIの開発に重要な洞察を与えました。
  論文  参考訳（メタデータ） (2023-07-06T06:06:47Z)
• Auditing Algorithmic Fairness in Machine Learning for Health with Severity-Based LOGAN [70.76142503046782]
  臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。 LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。 SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
  論文  参考訳（メタデータ） (2022-11-16T08:04:12Z)
• Assessing Social Determinants-Related Performance Bias of Machine Learning Models: A case of Hyperchloremia Prediction in ICU Population [6.8473641147443995]
  高塩素血症を予測するために構築された4つの分類器について検討した。 実験室をベースとした機能に加え, 社会的決定因子の付加は, 全患者のモデル性能を向上することがわかった。 我々は将来の研究者に、潜在的なバイアスを積極的に調整し、サブグループレポートを含むモデルを設計するよう促す。
  論文  参考訳（メタデータ） (2021-11-18T03:58:50Z)
• Unsupervised Learning to Subphenotype Delirium Patients from Electronic Health Records [5.183023864443785]
  デリリウムは、緊急時に急性発症する脳機能障害であり、死亡率が高い。 患者の根底にある医療状況に応じて、その提示やリスク要因が異なる可能性があるため、検出・監視は困難である。
  論文  参考訳（メタデータ） (2021-10-31T20:58:57Z)
• Evaluating subgroup disparity using epistemic uncertainty in mammography [3.045076250501715]
  本研究では,乳房密度評価のための患者集団(人種)とデータ取得サブグループにおける不確実性の評価について検討する。 その結果,集合的性能が同等であっても,不確実な計量量化の選択はサブグループレベルを著しく向上させることができることがわかった。 この分析が、臨床展開のための機械学習アプリケーションの透明性を高めるために、不確実性をどのように活用できるか、さらなる研究を促進することを願っている。
  論文  参考訳（メタデータ） (2021-07-06T16:36:48Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Recommendations for Bayesian hierarchical model specifications for case-control studies in mental health [0.0]
  研究者は、すべての被験者が共通の集団から引き出されたと仮定するか、またはそれらを別の集団から派生したものとしてモデル化するかを選択する必要がある。 一般的に使用される帯域幅タスクから合成多群行動データに対する系統シミュレーションを行った。 適合群は,全ての条件において,最も正確かつ堅牢な推論を別々に提供した。
  論文  参考訳（メタデータ） (2020-11-03T14:19:59Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。