論文の概要: Developing the Temporal Graph Convolutional Neural Network Model to Predict Hip Replacement using Electronic Health Records

• arxiv url: http://arxiv.org/abs/2409.06585v1
• Date: Tue, 10 Sep 2024 15:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 16:59:09.668372
• Title: Developing the Temporal Graph Convolutional Neural Network Model to Predict Hip Replacement using Electronic Health Records
• Title（参考訳）: 電子健康記録を用いた股関節置換予測のための時間グラフ畳み込みニューラルネットワークモデルの開発
• Authors: Zoe Hancox, Sarah R. Kingsbury, Andrew Clegg, Philip G. Conaghan, Samuel D. Relton,
• Abstract要約: 股関節置換術は、痛みを軽減し、移動性を取り戻すことで患者の生活を改善する。 本研究は, 生活の質と医療サービスの効率を高めるために, 1年間の股関節置換術を事前に予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Hip replacement procedures improve patient lives by relieving pain and restoring mobility. Predicting hip replacement in advance could reduce pain by enabling timely interventions, prioritising individuals for surgery or rehabilitation, and utilising physiotherapy to potentially delay the need for joint replacement. This study predicts hip replacement a year in advance to enhance quality of life and health service efficiency. Methods: Adapting previous work using Temporal Graph Convolutional Neural Network (TG-CNN) models, we construct temporal graphs from primary care medical event codes, sourced from ResearchOne EHRs of 40-75-year-old patients, to predict hip replacement risk. We match hip replacement cases to controls by age, sex, and Index of Multiple Deprivation. The model, trained on 9,187 cases and 9,187 controls, predicts hip replacement one year in advance. We validate the model on two unseen datasets, recalibrating for class imbalance. Additionally, we conduct an ablation study and compare against four baseline models. Results: Our best model predicts hip replacement risk one year in advance with an AUROC of 0.724 (95% CI: 0.715-0.733) and an AUPRC of 0.185 (95% CI: 0.160-0.209), achieving a calibration slope of 1.107 (95% CI: 1.074-1.139) after recalibration. Conclusions: The TG-CNN model effectively predicts hip replacement risk by identifying patterns in patient trajectories, potentially improving understanding and management of hip-related conditions.
• Abstract（参考訳）: 背景: 股関節置換術は、痛みを軽減し、移動性を回復することにより、患者の生活を改善する。 前もって股関節置換を予測することは、タイムリーな介入を可能にし、手術やリハビリテーションのために個人を優先させ、人工股関節置換の必要性を遅らせるために生理的治療を施すことによって痛みを和らげる可能性がある。 本研究は, 生活の質と医療サービスの効率を高めるために, 1年間の股関節置換術を事前に予測する。 方法:40～75歳児のResearchOne EHRから得られた,TG-CNNモデルを用いて過去の研究に適応し,股関節置換リスクを予測する。 我々は、股関節置換症例を年齢、性別、多発性脱分率によるコントロールに適合させる。 このモデルは、9,187症例と9,187コントロールに基づいてトレーニングされ、1年前から股関節置換を予測している。 2つの未知のデータセット上でモデルを検証し、クラス不均衡を緩和する。 さらに、アブレーション研究を行い、4つのベースラインモデルと比較する。 結果: AUROCが0.724(95% CI: 0.715-0.733)、AUPRCが0.185(95% CI: 0.160-0.209)、再校正後の校正勾配が1.107(95% CI: 1.074-1.139)と予測された。 結論: TG-CNNモデルは, 患者軌跡のパターンを特定し, 股関節疾患の理解と管理を改善することにより, 股関節置換リスクを効果的に予測する。

関連論文リスト

• Personalized Prediction Models for Changes in Knee Pain among Patients with Osteoarthritis Participating in Supervised Exercise and Education [0.0]
  膝関節症(英語: Knee osteoarthritis, OA)は、運動性障害と生活の質を低下させる慢性疾患である。 OA症状の痛みと機能的制限を管理するための運動療法と患者教育のメリットが証明されているにもかかわらず、これらの戦略は、しばしば未利用である。 予測を改善するには、GLA:D以外の新しい変数が必要である。
  論文  参考訳（メタデータ） (2024-10-16T14:15:01Z)
• 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)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• 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)
• Segmentation by Test-Time Optimization (TTO) for CBCT-based Adaptive Radiation Therapy [2.5705729402510338]
  従来型または深層学習(DL)に基づく変形可能な画像登録(DIR)は、多くの状況において改善された結果が得られる。 本稿では,事前学習したDLベースのDIR集団モデルを洗練するためのテスト時間最適化(TTO)手法を提案する。 提案手法は,一般化可能性問題の影響を受けにくく,DLベースのDIRモデルの全体的な性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T16:34:22Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Deep Learning-Based Detection of the Acute Respiratory Distress Syndrome: What Are the Models Learning? [5.827840113217155]
  急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。 高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。 未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
  論文  参考訳（メタデータ） (2021-09-25T09:10:10Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
  治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。 総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
  論文  参考訳（メタデータ） (2021-08-30T07:56:34Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• A Physiology-Driven Computational Model for Post-Cardiac Arrest Outcome Prediction [0.7930054475711718]
  本研究の目的は,CA後の結果を予測する計算モデルを構築することである。 我々は、生理的時系列(PTS)データの統合と機械学習(ML)分類器の訓練によりモデル性能を向上させることができると仮定した。 その結果, MLモデルによるCA後予測モデルの有効性が証明され, PTSが短期成績確率を符号化した後のごく初期段階に記録されることが示唆された。
  論文  参考訳（メタデータ） (2020-02-09T07:53:50Z)

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。