論文の概要: Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients
- arxiv url: http://arxiv.org/abs/2407.17165v1
- Date: Wed, 24 Jul 2024 11:12:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 14:14:00.003081
- Title: Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients
- Title（参考訳）: 集中治療室における多剤耐性獲得の時間的不規則分類のための説明可能な人工知能技術
- Authors: Óscar Escudero-Arnanz, Cristina Soguero-Ruiz, Joaquín Álvarez-Rodríguez, Antonio G. Marques,
- Abstract要約: 本研究では,GRU(Gated Recurrent Units)と高度な内在的・ポストホック的解釈可能性技術を統合した新しい手法を提案する。
ICU患者に対するMDR(Multidrug-Resistant)感染に関連する危険因子の特定を目的とした。
- 参考スコア（独自算出の注目度）: 7.727213847237959
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Antimicrobial Resistance represents a significant challenge in the Intensive Care Unit (ICU), where patients are at heightened risk of Multidrug-Resistant (MDR) infections-pathogens resistant to multiple antimicrobial agents. This study introduces a novel methodology that integrates Gated Recurrent Units (GRUs) with advanced intrinsic and post-hoc interpretability techniques for detecting the onset of MDR in patients across time. Within interpretability methods, we propose Explainable Artificial Intelligence (XAI) approaches to handle irregular Multivariate Time Series (MTS), introducing Irregular Time Shapley Additive Explanations (IT-SHAP), a modification of Shapley Additive Explanations designed for irregular MTS with Recurrent Neural Networks focused on temporal outputs. Our methodology aims to identify specific risk factors associated with MDR in ICU patients. GRU with Hadamard's attention demonstrated high initial specificity and increasing sensitivity over time, correlating with increased nosocomial infection risks during prolonged ICU stays. XAI analysis, enhanced by Hadamard attention and IT-SHAP, identified critical factors such as previous non-resistant cultures, specific antibiotic usage patterns, and hospital environment dynamics. These insights suggest that early detection of at-risk patients can inform interventions such as preventive isolation and customized treatments, significantly improving clinical outcomes. The proposed GRU model for temporal classification achieved an average Receiver Operating Characteristic Area Under the Curve of 78.27 +- 1.26 over time, indicating strong predictive performance. In summary, this study highlights the clinical utility of our methodology, which combines predictive accuracy with interpretability, thereby facilitating more effective healthcare interventions by professionals.
- Abstract（参考訳）: 抗微生物抵抗性は集中治療室 (ICU) において重要な課題であり, 患者は多剤耐性 (MDR) 感染のリスクが高い。
本研究では,GRU(Gated Recurrent Units, GRUs)と高度な内在的, ポストホック的解釈可能性技術を統合し, 経時的にMDRの発症を検出する手法を提案する。
本稿では,不規則な多変量時間系列(MTS)を扱うための説明可能な人工知能(XAI)手法を提案する。
本手法はICU患者のMDRに関連する特定の危険因子を同定することを目的としている。
アダマールの注意を引いたGRUは、長期間のICU滞在中の感染リスクの増加に関連して、高い初期特異性を示し、時間とともに感受性を高めた。
アダマール・アテンションとIT-SHAPによって強化されたXAI分析は、以前の非耐性培養、特定の抗生物質の使用パターン、病院の環境動態などの重要な要因を特定した。
これらの知見は、リスクの高い患者を早期に検出することは、予防的隔離や治療のカスタマイズといった介入を通知し、臨床成績を著しく改善する可能性があることを示唆している。
時間的分類のためのGRUモデルは78.27+-1.26の曲線の下での平均受信特性領域を達成し、高い予測性能を示した。
本研究は,予測精度と解釈可能性を組み合わせることで,専門家によるより効果的な医療介入を促進する手法の臨床的有用性を強調した。
関連論文リスト
- STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG [0.08030359871216612]
脳磁図(MEG)を用いたてんかん間葉状放電(IED)の非侵襲的検出
深層学習(DL)は臨床MEGの実践に革命をもたらす可能性がある。
我々は,2つの畳み込みニューラルネットワークと時間的(1次元時間軸)および空間的(2次元トポグラフィー)特徴を組み合わせた,強力で教師付きなDLアルゴリズムであるSTIEDを開発した。
論文 参考訳（メタデータ） (2024-10-30T18:41:22Z) - Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。
我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。
厳密な実験と検証により,RNNモデルの優れた性能が示された。
論文 参考訳（メタデータ） (2024-09-03T19:18:16Z) - Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning [5.070772577047069]
不安定狭心症(UA)を含む心血管疾患の診断のための金の基準として、浸潤性冠動脈造影(ICA)が認められている
心筋梗塞とは異なり、UAはST偏位や心筋酵素のような特定の指標を持っておらず、リスクアセスメントが複雑になる。
本研究の目的は,UA患者に対する早期リスクアセスメントを機械学習アルゴリズムを用いて向上することである。
論文 参考訳（メタデータ） (2024-08-08T07:24:28Z) - 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) - Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。
われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
論文 参考訳（メタデータ） (2024-05-02T09:41:31Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Real-time Prediction for Mechanical Ventilation in COVID-19 Patients
using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。
新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。
予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
論文 参考訳（メタデータ） (2021-02-01T20:35:22Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。