論文の概要: MDS-ED: Multimodal Decision Support in the Emergency Department -- a Benchmark Dataset for Diagnoses and Deterioration Prediction in Emergency Medicine
- arxiv url: http://arxiv.org/abs/2407.17856v3
- Date: Tue, 24 Sep 2024 15:20:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-09-26 02:42:41.747283
- Title: MDS-ED: Multimodal Decision Support in the Emergency Department -- a Benchmark Dataset for Diagnoses and Deterioration Prediction in Emergency Medicine
- Title(参考訳): MDS-ED:救急部門におけるマルチモーダル意思決定支援 -- 救急医療における診断と劣化予測のためのベンチマークデータセット
- Authors: Juan Miguel Lopez Alcaraz, Hjalmar Bouma, Nils Strodthoff,
- Abstract要約: 我々は,MIMIC-IVに基づくベンチマークプロトコルと,救急部門におけるマルチモーダル意思決定支援評価の初期結果を紹介する。
患者到着から1.5時間後, 人口統計, バイオメトリックス, バイタルサイン, 検査値, 心電図波形など, 多様なデータモダリティを利用する。
- 参考スコア(独自算出の注目度): 0.9503773054285559
- License:
- Abstract: Background: A clinically meaningful comparative assessment of medical decision support in emergency care is challenging due to a lack of appropriate datasets with multimodal input modalities and comprehensive prediction task. This hampers measurable progress in the field. Results: We introduce a dataset based on MIMIC-IV, a benchmarking protocol, and initial results for evaluating multimodal decision support in the emergency department (ED). We use diverse data modalities from the first 1.5 hours after patient arrival, including demographics, biometrics, vital signs, lab values, and electrocardiogram waveforms. We analyze 1443 clinical labels across two contexts: predicting diagnoses and patient deterioration. Our diagnostic model achieves an AUROC score over 0.8 in a statistically significant manner for 609 out of 1428 conditions, including cardiac conditions like myocardial infarction and non-cardiac conditions such as renal disease and diabetes. The deterioration model scores above 0.8 in a statistically significant manner for 14 out of 15 targets, including critical events like cardiac arrest, mechanical ventilation, intensive care unit admission, as well as short- and long-term mortality. Furthermore, we provide one of the first robust demonstrations of the significant impact of raw waveform input data on model performance. Conclusions: This study highlights the proposed dataset as a unique resource to foster progress towards measurable progress in the domain of algorithmic decision support in emergency care. The presented multimodal baseline models showcase the potential of diagnostic decision support in the field and provide strong incentives for including raw waveform data.
- Abstract(参考訳): 背景:マルチモーダルな入力モダリティと包括的予測タスクを備えた適切なデータセットが欠如していることから,救急医療における医療意思決定支援に関する臨床的に有意義な比較評価は困難である。
このことは、フィールドにおける測定可能な進歩を妨げます。
結果:MIMIC-IVに基づくデータセット,ベンチマークプロトコル,救急部門(ED)におけるマルチモーダル意思決定支援評価の初期結果を紹介する。
患者到着から1.5時間後, 人口統計, バイオメトリックス, バイタルサイン, 検査値, 心電図波形など, 多様なデータモダリティを利用する。
診断の予測と患者劣化の2つの文脈で1443の臨床ラベルを分析した。
診断モデルは, 心筋梗塞や非心臓疾患, 腎疾患, 糖尿病などを含む1428例中609例において, AUROCスコアが0.8以上の統計的に有意な値を示した。
心停止, 人工換気, 集中治療室入院, 短期的, 長期的死亡などの重要な事象を含む15件中14件について, 0.8以上で統計的に有意なスコアが得られた。
さらに,本研究では,原波形入力データがモデル性能に与える影響について,最初の頑健な実演を行う。
結論: 本研究は, 緊急ケアにおけるアルゴリズム決定支援の領域における, 測定可能な進展を促進するためのユニークな資源として, 提案したデータセットを強調した。
提案するマルチモーダルベースラインモデルは,現場における診断決定支援の可能性を示し,生波形データを含むための強力なインセンティブを提供する。
関連論文リスト
- TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳(メタデータ) (2024-06-30T09:13:10Z) - Multimodal Clinical Benchmark for Emergency Care (MC-BEC): A
Comprehensive Benchmark for Evaluating Foundation Models in Emergency
Medicine [2.6136253491179637]
MC-BEC(Multimodal Clinical Benchmark for Emergency Care)は、救急医療の基礎モデルを評価するためのベンチマークである。
MC-BECは、患者の償還、処分、救急部門(ED)の再訪の予測を含む、数分から数日のタイムスケールでの臨床的に関連する予測タスクに焦点を当てている。
データセットには、トリアージ情報、先行診断および医薬品、連続測定されたバイタルサイン、心電図および光胸部電図波形、訪問中の注文と治療、画像研究の自由テキストレポート、ED診断、配置、その後の情報を含む幅広い詳細な臨床データが含まれている。
論文 参考訳(メタデータ) (2023-11-07T20:56:19Z) - MedLens: Improve Mortality Prediction Via Medical Signs Selecting and
Regression [4.43322868663347]
データ品質の問題については文献では議論されていない。
我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。
精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
論文 参考訳(メタデータ) (2023-05-19T15:28:02Z) - Mortality Prediction with Adaptive Feature Importance Recalibration for
Peritoneal Dialysis Patients: a deep-learning-based study on a real-world
longitudinal follow-up dataset [19.7915762858399]
終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである
本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。
本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
論文 参考訳(メタデータ) (2023-01-17T13:17:54Z) - Multimodal spatiotemporal graph neural networks for improved prediction
of 30-day all-cause hospital readmission [4.609543591101764]
本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。
MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。
心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2022-04-14T05:50:07Z) - 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) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-18T15:56:28Z) - 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) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z)
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。