論文の概要: A multi-cohort study on prediction of acute brain dysfunction states using selective state space models

• arxiv url: http://arxiv.org/abs/2403.07201v1
• Date: Mon, 11 Mar 2024 22:58:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 23:21:59.075341
• Title: A multi-cohort study on prediction of acute brain dysfunction states using selective state space models
• Title（参考訳）: 選択的状態空間モデルを用いた急性脳機能障害状態の予測に関する研究
• Authors: Brandon Silva, Miguel Contreras, Sabyasachi Bandyopadhyay, Yuanfang Ren, Ziyuan Guan, Jeremy Balch, Kia Khezeli, Tezcan Ozrazgat Baslanti, Ben Shickel, Azra Bihorac, Parisa Rashidi
• Abstract要約: 急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。 本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。 既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。 ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
• 参考スコア（独自算出の注目度）: 12.0129301272171
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Assessing acute brain dysfunction (ABD), including delirium and coma in the intensive care unit (ICU), is a critical challenge due to its prevalence and severe implications for patient outcomes. Current diagnostic methods rely on infrequent clinical observations, which can only determine a patient's ABD status after onset. Our research attempts to solve these problems by harnessing Electronic Health Records (EHR) data to develop automated methods for ABD prediction for patients in the ICU. Existing models solely predict a single state (e.g., either delirium or coma), require at least 24 hours of observation data to make predictions, do not dynamically predict fluctuating ABD conditions during ICU stay (typically a one-time prediction), and use small sample size, proprietary single-hospital datasets. Our research fills these gaps in the existing literature by dynamically predicting delirium, coma, and mortality for 12-hour intervals throughout an ICU stay and validating on two public datasets. Our research also introduces the concept of dynamically predicting critical transitions from non-ABD to ABD and between different ABD states in real time, which could be clinically more informative for the hospital staff. We compared the predictive performance of two state-of-the-art neural network models, the MAMBA selective state space model and the Longformer Transformer model. Using the MAMBA model, we achieved a mean area under the receiving operator characteristic curve (AUROC) of 0.95 on outcome prediction of ABD for 12-hour intervals. The model achieves a mean AUROC of 0.79 when predicting transitions between ABD states. Our study uses a curated dataset from the University of Florida Health Shands Hospital for internal validation and two publicly available datasets, MIMIC-IV and eICU, for external validation, demonstrating robustness across ICU stays from 203 hospitals and 140,945 patients.
• Abstract（参考訳）: 急性脳機能障害 (ABD) の評価は, 集中治療室 (ICU) における deirium や coma などの急性脳機能障害 (ABD) の有病率と重篤な合併症である。 現在の診断方法は稀な臨床所見に依拠しており、発症後の患者のabd状態のみを判断できる。 本研究は、電子健康記録(EHR)データを用いて、ICU患者のABD自動予測手法を開発することを目的としている。 既存のモデルは単一の状態(例: deliriumまたはcoma)のみを予測し、予測を行うために少なくとも24時間の観測データを必要とし、icu滞在中に変動するabd条件を動的に予測しない(通常は1回の予測)。 本研究は, icu滞在中, 2つの公開データセットを検証し, 12時間間隔でデリウム, coma, 死亡率を動的に予測することにより, 既存の文献におけるこれらのギャップを埋めている。 当研究は,非ABDからABDへの臨界遷移をリアルタイムで動的に予測する概念も導入した。 我々は、2つの最先端ニューラルネットワークモデル、MAMBA選択状態空間モデルとLongformer Transformerモデルの予測性能を比較した。 mambaモデルを用いて12時間周期のabdの結果予測において,受信オペレータ特性曲線 (auroc) 下の平均面積は0.95であった。 このモデルはABD状態間の遷移を予測する際に平均AUROC0.79を達成する。 フロリダ大学ヘルスハンドス病院のキュレートされたデータセットを内部検証に使用し、MIMIC-IVとeICUの2つの公開データセットを外部検証に使用し、203の病院と140,945人の患者からのICU滞在者の堅牢性を実証した。

関連論文リスト

• DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
  デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。 3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T18:56:31Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Transformer Models for Acute Brain Dysfunction Prediction [3.2884323672632028]
  急性脳機能障害(ABD)は、特に高齢者においてICUで多い。 我々は電子健康記録(Electronic Health Record, HER)データを用いたADBのリアルタイム予測のための機械学習システムを開発した。 そして,本システムは,ISUにおけるADBのリアルタイム予測に利用でき,ABDによるインシデント数を削減できる。
  論文  参考訳（メタデータ） (2023-03-13T17:30:04Z)
• Multimodal spatiotemporal graph neural networks for improved prediction of 30-day all-cause hospital readmission [4.609543591101764]
  本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。 MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。 心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-04-14T05:50:07Z)
• Sequential Diagnosis Prediction with Transformer and Ontological Representation [35.88195694025553]
  本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。 2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-09-07T13:09:55Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
  一つの病院で1日当たりの入院患者数を予測するという課題について検討する。 データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-04-14T11:58:54Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。