論文の概要: How Consistent are Clinicians? Evaluating the Predictability of Sepsis Disease Progression with Dynamics Models
- arxiv url: http://arxiv.org/abs/2404.07148v1
- Date: Wed, 10 Apr 2024 16:29:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 13:42:08.121686
- Title: How Consistent are Clinicians? Evaluating the Predictability of Sepsis Disease Progression with Dynamics Models
- Title（参考訳）: 臨床医は如何に一致しているか : ダイナミクスモデルによる敗血症の進行予測可能性の評価
- Authors: Unnseo Park, Venkatesh Sivaraman, Adam Perer,
- Abstract要約: 臨床症状による敗血症の重症度変化の予測の可能性について検討した。
予備的な結果から,行動情報の導入はモデル性能を著しく向上させるものではないことが示唆された。
これらの所見が敗血症治療の最適化にもたらす影響について考察した。
- 参考スコア（独自算出の注目度）: 11.638025537597102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reinforcement learning (RL) is a promising approach to generate treatment policies for sepsis patients in intensive care. While retrospective evaluation metrics show decreased mortality when these policies are followed, studies with clinicians suggest their recommendations are often spurious. We propose that these shortcomings may be due to lack of diversity in observed actions and outcomes in the training data, and we construct experiments to investigate the feasibility of predicting sepsis disease severity changes due to clinician actions. Preliminary results suggest incorporating action information does not significantly improve model performance, indicating that clinician actions may not be sufficiently variable to yield measurable effects on disease progression. We discuss the implications of these findings for optimizing sepsis treatment.
- Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、集中治療における敗血症患者に対する治療方針を作成するための有望なアプローチである。
振り返り評価の指標は、これらの方針に従うと死亡率が低下することを示しているが、臨床医による研究は、その推奨がしばしば刺激的であることを示唆している。
これらの欠点は, トレーニングデータにおける観察行動や結果の多様性の欠如によるものである可能性が示唆され, 臨床症状による敗血症の重症度変化の予測の可能性について検討する。
予備的な結果から, 行動情報の導入は, モデル性能を著しく向上させるものではないことが示唆された。
これらの所見が敗血症治療の最適化にもたらす影響について考察した。
関連論文リスト
- Can artificial intelligence predict clinical trial outcomes? [5.326858857564308]
本研究では,大言語モデル(LLM)の臨床試験結果の予測能力について検討した。
我々は、バランスの取れた精度、特異性、リコール、マシューズ相関係数(MCC)などの指標を用いてモデルの性能を比較する。
高い複雑さを特徴とする腫瘍学の試行は、全てのモデルで難しいままである。
論文 参考訳（メタデータ） (2024-11-26T17:05:27Z) - 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) - Ethical considerations of use of hold-out sets in clinical prediction model management [0.4194295877935868]
我々は、善意、非正当性、自律性、正義の倫理的原則に焦点をあてる。
また,様々なホールドアウトセットサンプリング手法による統計的問題についても論じる。
論文 参考訳（メタデータ） (2024-06-05T11:42:46Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。
最適な治療体制を効率的に学習するための強化学習法を開発した。
論文 参考訳（メタデータ） (2021-12-08T20:22:04Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - 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) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - Uncertainty estimation for classification and risk prediction on medical
tabular data [0.0]
本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。
医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
論文 参考訳（メタデータ） (2020-04-13T08:46:41Z)
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。