論文の概要: DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR

• arxiv url: http://arxiv.org/abs/2410.17363v1
• Date: Tue, 22 Oct 2024 18:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:56:10.602479
• Title: DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR
• Title（参考訳）: DeLLiriuM:構造化EHRを用いたICUにおけるデリリウム予測のための大規模言語モデル
• Authors: Miguel Contreras, Sumit Kapoor, Jiaqing Zhang, Andrea Davidson, Yuanfang Ren, Ziyuan Guan, Tezcan Ozrazgat-Baslanti, Subhash Nerella, Azra Bihorac, Parisa Rashidi,
• Abstract要約: デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。 3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
• 参考スコア（独自算出の注目度）: 1.4699314771635081
• License:
• Abstract: Delirium is an acute confusional state that has been shown to affect up to 31% of patients in the intensive care unit (ICU). Early detection of this condition could lead to more timely interventions and improved health outcomes. While artificial intelligence (AI) models have shown great potential for ICU delirium prediction using structured electronic health records (EHR), most of them have not explored the use of state-of-the-art AI models, have been limited to single hospitals, or have been developed and validated on small cohorts. The use of large language models (LLM), models with hundreds of millions to billions of parameters, with structured EHR data could potentially lead to improved predictive performance. In this study, we propose DeLLiriuM, a novel LLM-based delirium prediction model using EHR data available in the first 24 hours of ICU admission to predict the probability of a patient developing delirium during the rest of their ICU admission. We develop and validate DeLLiriuM on ICU admissions from 104,303 patients pertaining to 195 hospitals across three large databases: the eICU Collaborative Research Database, the Medical Information Mart for Intensive Care (MIMIC)-IV, and the University of Florida Health's Integrated Data Repository. The performance measured by the area under the receiver operating characteristic curve (AUROC) showed that DeLLiriuM outperformed all baselines in two external validation sets, with 0.77 (95% confidence interval 0.76-0.78) and 0.84 (95% confidence interval 0.83-0.85) across 77,543 patients spanning 194 hospitals. To the best of our knowledge, DeLLiriuM is the first LLM-based delirium prediction tool for the ICU based on structured EHR data, outperforming deep learning baselines which employ structured features and can provide helpful information to clinicians for timely interventions.
• Abstract（参考訳）: デリリウムは急性の混乱状態であり、集中治療室(ICU)の患者の31%に影響を及ぼすことが示されている。 この状態の早期発見は、よりタイムリーな介入と健康状態の改善につながる可能性がある。 人工知能(AI)モデルは、構造化された電子健康記録(EHR)を用いたICUデリリウム予測に大きな可能性を示しているが、そのほとんどは最先端のAIモデルの使用を探求していない。 大規模言語モデル(LLM)は、数億から数十億のパラメータを持つモデルであり、構造化されたEHRデータによって予測性能が向上する可能性がある。 本研究は,ICU入院後24時間で利用可能なERHデータを用いた新しいLCMに基づくデリリウム予測モデルであるDeLLiriuMを提案し,残りの入院期間中にデリリウムを発症する確率を予測する。 eICU Collaborative Research Database, the Medical Information Mart for Intensive Care (MIMIC)-IV, and the Florida Health's Integrated Data Repository。 受信機操作特性曲線 (AUROC) による測定の結果, DeLLiriuM は2つの外的検証セットにおいて, 77,543 名の患者に対して0.77 (95% 信頼区間 0.76-0.78) と0.84 (95% 信頼区間 0.83-0.85) で全てのベースラインを上回った。 我々の知る限りでは、DeLLiriuMは構造化EHRデータに基づくICUのための最初のLCMベースのデリリウム予測ツールであり、構造化特徴を用いたディープラーニングベースラインよりも優れており、タイムリーな介入のために臨床医に有益な情報を提供することができる。

関連論文リスト

• A multi-cohort study on prediction of acute brain dysfunction states using selective state space models [12.0129301272171]
  急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。 本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。 既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。 ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-11T22:58:11Z)
• APRICOT-Mamba: Acuity Prediction in Intensive Care Unit (ICU): Development and Validation of a Stability, Transitions, and Life-Sustaining Therapies Prediction Model [12.370938858314911]
  集中治療室(ICU)の患者の体力状態は、すぐに安定して不安定になる。 早期の劣化状態の検出は、タイムリーな介入と生存率の改善をもたらす可能性がある。 Intensive Care Unit-MambaにおけるAPRICOT-M(Acuity Prediction in Intensive Care Unit-Mamba)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T16:52:27Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• 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)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• 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)
• 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)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)

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。