論文の概要: Enhanced Mortality Prediction in ICU Stroke Patients via Deep Learning
- arxiv url: http://arxiv.org/abs/2407.14211v1
- Date: Fri, 19 Jul 2024 11:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 17:54:18.898840
- Title: Enhanced Mortality Prediction in ICU Stroke Patients via Deep Learning
- Title（参考訳）: 深層学習によるICU脳卒中患者の死亡予測
- Authors: Armin Abdollahi, Xinghong Ma, Jiahao Zhang, Daijia Wu, Tongshou Wu, Zizheng Ye, Maryam Pishgar,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.010207342286786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Stroke is second-leading cause of disability and death among adults. Approximately 17 million people suffer from a stroke annually, with about 85% being ischemic strokes. Predicting mortality of ischemic stroke patients in intensive care unit (ICU) is crucial for optimizing treatment strategies, allocating resources, and improving survival rates. Methods: We acquired data on ICU ischemic stroke patients from MIMIC-IV database, including diagnoses, vital signs, laboratory tests, medications, procedures, treatments, and clinical notes. Stroke patients were randomly divided into training (70%, n=2441), test (15%, n=523), and validation (15%, n=523) sets. To address data imbalances, we applied Synthetic Minority Over-sampling Technique (SMOTE). We selected 30 features for model development, significantly reducing feature number from 1095 used in the best study. We developed a deep learning model to assess mortality risk and implemented several baseline machine learning models for comparison. Results: XGB-DL model, combining XGBoost for feature selection and deep learning, effectively minimized false positives. Model AUROC improved from 0.865 (95% CI: 0.821 - 0.905) on first day to 0.903 (95% CI: 0.868 - 0.936) by fourth day using data from 3,646 ICU mortality patients in the MIMIC-IV database with 0.945 AUROC (95% CI: 0.944 - 0.947) during training. Although other ML models also performed well in terms of AUROC, we chose Deep Learning for its higher specificity. Conclusions: Through enhanced feature selection and data cleaning, proposed model demonstrates a 13% AUROC improvement compared to existing models while reducing feature number from 1095 in previous studies to 30.
- Abstract（参考訳）: 背景: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。
集中治療室(ICU)における虚血性脳卒中患者の死亡予測は、治療戦略の最適化、資源配分、生存率の向上に不可欠である。
方法:MIMIC-IVデータベースからICU虚血性脳卒中患者の診断,バイタルサイン,臨床検査,治療,治療,臨床ノートなどのデータを得た。
ストローク患者は無作為にトレーニング (70%, n=2441), テスト (15%, n=523), 検証 (15%, n=523) に分けた。
データ不均衡に対処するために、SMOTE(Synthetic Minority Over-Sampling Technique)を適用した。
モデル開発のために30の特徴を選定し,最も優れた研究で使用される1095から特徴数を著しく減らした。
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。
結果: 特徴選択と深層学習にXGBoostを併用したXGB-DLモデルにより, 偽陽性を効果的に最小化した。
Model AUROC は初日 0.865 (95% CI: 0.821 - 0.905) から 4日で 0.903 (95% CI: 0.868 - 0.936) に改善された。
他のMLモデルもAUROCの観点からは良好に動作したが、より具体的な点からDeep Learningを選択した。
結論: 改良された特徴選択とデータクリーニングにより, 既存モデルに比べて13%のAUROC改善が得られたが, 以前の研究では1095から30に減少した。
関連論文リスト
- Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。
本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。
LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
論文 参考訳（メタデータ） (2024-03-28T12:11:29Z) - 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) - Robust Meta-Model for Predicting the Need for Blood Transfusion in
Non-traumatic ICU Patients [10.169599503547134]
ICU設定での貧血や凝固症管理に不可欠な輸血は、効果的な資源配分と患者のリスク評価の正確な予測を必要とする。
本研究の目的は,多種多様な非外傷性ICU患者に対して,今後24時間にわたって輸血の必要性を予測できる高度な機械学習モデルを開発することである。
論文 参考訳（メタデータ） (2024-01-01T23:25:48Z) - Deep Learning Approach to Predict Hemorrhage in Moyamoya Disease [4.262366651054988]
本研究の目的は,モヤモヤ病の出血を予測するための3つの機械学習分類アルゴリズムを開発することである。
提案したANNフレームワークは成人MDD患者の出血の可能性を予測するための有効なツールとなる可能性がある。
論文 参考訳（メタデータ） (2023-02-01T02:40:00Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - On the explainability of hospitalization prediction on a large COVID-19
patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。
高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文 参考訳（メタデータ） (2021-10-28T10:23:38Z) - 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) - All Data Inclusive, Deep Learning Models to Predict Critical Events in
the Medical Information Mart for Intensive Care III Database (MIMIC III) [0.0]
本研究は35,348人を対象に42,818人の入院患者を対象に行った。
複数のデータソースにわたる7500万以上のイベントが処理され、3億5500万以上のトークンが処理された。
すべてのデータソースを使用して構築されたモデルから、はるかに信頼性が高く、信頼性の高いホスピタル死亡を予測できる。
論文 参考訳（メタデータ） (2020-09-02T22:12:18Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z) - Interpretable Machine Learning Model for Early Prediction of Mortality
in Elderly Patients with Multiple Organ Dysfunction Syndrome (MODS): a
Multicenter Retrospective Study and Cross Validation [9.808639780672156]
MODS患者は死亡リスクが高く予後不良である。
本研究は,MODS高齢者の早期死亡予測のための解釈可能・一般化可能なモデルを開発することを目的とする。
論文 参考訳（メタデータ） (2020-01-28T17:15:34Z)
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。