論文の概要: A Closer Look at Mortality Risk Prediction from Electrocardiograms
- arxiv url: http://arxiv.org/abs/2406.17002v3
- Date: Tue, 18 Feb 2025 14:02:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:04:41.897894
- Title: A Closer Look at Mortality Risk Prediction from Electrocardiograms
- Title（参考訳）: 心電図による死亡リスク予測
- Authors: Platon Lukyanenko, Joshua Mayourian, Mingxuan Liu, John K. Triedman, Sunil J. Ghelani, William G. La Cava,
- Abstract要約: 我々は、Code-15およびMIMIC-IVデータベースにおける全原因死亡を予測する500以上のAI-ECGサバイバルモデルをベンチマークした。
ボストン小児病院(BCH, 225,379ECGs)のデータセットに対する最高のパフォーマンスのアプローチを拡張する。
ECGと人口統計学で訓練された最高パフォーマンスのDeep-Survival-Analysisモデルは、良質なConcordance Indicesを生み出す。
- 参考スコア（独自算出の注目度）: 4.164934592663465
- License:
- Abstract: Several recent studies combine large private ECG databases with AI to predict patient mortality. These studies typically use a few, highly variable, modeling approaches. While benchmarking these approaches has historically been limited by a lack of public ECG datasets, this changed with the 2023 release of MIMIC-IV, containing 795,546 ECGs from a U.S. hospital system, and the 2020 release of Code-15, containing 345,779 ECGs collected during routine care in Brazil. We benchmark over 500 AI-ECG survival models predicting all-cause mortality on Code-15 and MIMIC-IV with 2 neural architectures, 4 Deep-Survival-Analysis approaches, and classifiers predicting mortality at 4 time horizons. We extend the highest-performing approach to a dataset from Boston Children's Hospital (BCH, 225,379 ECGs). Models train with and without demographics (age/sex) and evaluate across datasets. The best performing Deep-Survival-Analysis models trained with ECG and demographics yield good median Concordance Indices (Code-15: 0.82, MIMIC-IV: 0.78, BCH: 0.76) and AUPRC scores (median 1-yr/5-yr, Code-15: 0.07/0.15; MIMIC-IV: 0.45/0.55; BCH: 0.04/0.13) considering the percentage of ECGs linked to mortality (1-yr/5-yr, Code-15: 1.2%/3.4%; MIMIC-IV: 14.8%/24.5%; BCH: 0.9%/4.8%). Contrasting with Deep-Survival-Analysis models, classifier-based AI-ECG models exhibit significant, site-dependent sensitivity to the choice of time horizon (median Pearson's R, Code-15: 0.69, p<1E-5; MIMIC-IV: -0.80 p<1E-5). Demographic-only models perform surprisingly well on Code-15. Concordance drops 0.03-0.24 on external validation. We recommend Deep-Survival-Analysis over Classifier-Cox approaches and the inclusion of demographic covariates in ECG survival modeling. Comparisons to demographic-only and baseline models is crucial. External evaluations support fine-tuning models on site-specific data.
- Abstract（参考訳）: 最近のいくつかの研究は、大きなプライベートECGデータベースとAIを組み合わせて患者の死亡率を予測する。
これらの研究は通常、いくつかの非常に可変なモデリングアプローチを使用する。
これらのアプローチのベンチマークは、歴史的にパブリックECGデータセットの欠如によって制限されてきたが、2023年のMIMIC-IVのリリースでは、米国の病院システムから795,546のECGが含まれ、2020年のCode-15のリリースではブラジルでの定期治療中に収集された345,779のECGを含んでいる。
我々は、Code-15とMIMIC-IVに2つのニューラルアーキテクチャ、Deep-Survival-Analysisアプローチ、4つの時間地平線で死亡を予測する分類器を備えた500以上のAI-ECGサバイバルモデルをベンチマークした。
ボストン小児病院(BCH, 225,379ECGs)のデータセットに、最高のパフォーマンスのアプローチを拡張します。
モデルは人口統計(年齢/性別)でトレーニングし、データセット間で評価する。
ECGと人口統計学で訓練された最高パフォーマンスのDeep-Survival-Analysisモデル(Code-15: 0.82, MIMIC-IV: 0.78, BCH: 0.76)とAUPRCスコア(median 1-yr/5-yr, Code-15: 0.07/0.15; MIMIC-IV: 0.45/0.55; BCH: 0.04/0.13)は死亡率(1-yr/5-yr, Code-15: 1.2%/34%; MIMIC-IV: 14.8%/24.5%; BCH: 0.9%/4.8%; MIMIC-IV: 14.8%/24.8%; BCH: 0.9%/4.8%)である。
Deep-Survival-Analysisモデルと対照的に、分類器ベースのAI-ECGモデルは、時間的地平線の選択(中間ピアソンのR, Code-15: 0.69, p<1E-5; MIMIC-IV: -0.80 p<1E-5)に対して重要な、サイト依存の感度を示す。
デモグラフィックのみのモデルは、Code-15で驚くほどよく機能する。
Concordance は外部の検証で 0.03-0.24 を落とします。
分類器-Cox を用いた深層生存分析とECG 生存モデルにおける人口統計学的共変量の導入を推奨する。
人口統計のみのモデルとベースラインモデルの比較は極めて重要である。
外部評価は、サイト固有のデータに基づく微調整モデルをサポートする。
関連論文リスト
- CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z) - rECGnition_v1.0: Arrhythmia detection using cardiologist-inspired multi-modal architecture incorporating demographic attributes in ECG [3.0473237906125954]
本稿では,心電図解析と不整脈分類のための新しいマルチモーダル手法を提案する。
提案したrECGnition_v1.0アルゴリズムはクリニックへの展開の道を開く。
論文 参考訳（メタデータ） (2024-10-09T11:17:02Z) - Advanced Predictive Modeling for Enhanced Mortality Prediction in ICU Stroke Patients Using Clinical Data [0.0]
ストロークは成人の障害と死亡の第二の要因である。
毎年1700万人が脳卒中を患っており、約85%が虚血性脳卒中である。
我々は、死亡リスクを評価するためのディープラーニングモデルを開発し、比較のためにいくつかのベースライン機械学習モデルを実装した。
論文 参考訳（メタデータ） (2024-07-19T11:17:42Z) - 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) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - 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) - Analysis of an adaptive lead weighted ResNet for multiclass
classification of 12-lead ECGs [1.155818089388109]
12個の心電図から24個の心の異常を分類するために,アンサンブル深部ニューラルネットワークアーキテクチャを記述,解析した。
5倍のクロスバリデーションスコアが0.684, 感度と特異性は0.758, 0.969であった。
論文 参考訳（メタデータ） (2021-12-01T15:44:52Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - The Consequences of the Framing of Machine Learning Risk Prediction
Models: Evaluation of Sepsis in General Wards [0.0]
フレーミングがモデル性能とモデル学習に与える影響を4つの異なるアプローチで評価する。
デンマークの4自治体の221,283人の二次医療データを分析した。
論文 参考訳（メタデータ） (2021-01-26T14:00:05Z) - Clinical prediction system of complications among COVID-19 patients: a
development and validation retrospective multicentre study [0.3569980414613667]
2020年4月1日から4月30日までにUAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。
最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。
このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
論文 参考訳（メタデータ） (2020-11-28T18:16:23Z)
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。