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
- 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) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - 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) - Development and Validation of a Deep Learning Model for Prediction of
Severe Outcomes in Suspected COVID-19 Infection [9.524156465126758]
救急外来(ed)に初診した患者の予測結果を伴うトリエイジングは、患者の予後を改善する上で重要である。
我々は、患者の結果を予測するために深い機能融合モデルを訓練した。
モデルアウトプットは、最も非感受性な酸素療法が要求される患者の結果であった。
新型コロナウイルス重篤な結果(CO-RISKスコア)の予測リスクスコアは、モデルアウトプットから導出され、テストデータセットで評価された。
論文 参考訳（メタデータ） (2021-03-21T00:03:27Z) - 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) - Contrastive Learning Improves Critical Event Prediction in COVID-19
Patients [19.419685256069666]
対照的損失 (CL) は非平衡 EHR データに対するクロスエントロピー損失 (CEL) の性能を改善することを示した。
この研究は、シナイ山にあるIcahn School of MedicineのInstitutional Review Boardによって承認されています。
論文 参考訳（メタデータ） (2021-01-11T16:41:13Z) - 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) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z)
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。