論文の概要: Peri-AIIMS: Perioperative Artificial Intelligence Driven Integrated Modeling of Surgeries using Anesthetic, Physical and Cognitive Statuses for Predicting Hospital Outcomes

• arxiv url: http://arxiv.org/abs/2411.00840v1
• Date: Tue, 29 Oct 2024 23:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:28:21.910311
• Title: Peri-AIIMS: Perioperative Artificial Intelligence Driven Integrated Modeling of Surgeries using Anesthetic, Physical and Cognitive Statuses for Predicting Hospital Outcomes
• Title（参考訳）: Peri-AIIMS: 麻酔, 理学, 認知状態を用いた周術期人工知能による外科医の総合モデリング
• Authors: Sabyasachi Bandyopadhyay, Jiaqing Zhang, Ronald L. Ison, David J. Libon, Patrick Tighe, Catherine Price, Parisa Rashidi,
• Abstract要約: クロックドローイングテストで測定された術前認知状態は, 入院期間, 入院料, 術後平均痛の予測に寄与した。 機械学習モデルは、ホールドアウトテストセットで術後の結果を分類するために訓練された。
• 参考スコア（独自算出の注目度）: 12.493423568689801
• License:
• Abstract: The association between preoperative cognitive status and surgical outcomes is a critical, yet scarcely explored area of research. Linking intraoperative data with postoperative outcomes is a promising and low-cost way of evaluating long-term impacts of surgical interventions. In this study, we evaluated how preoperative cognitive status as measured by the clock drawing test contributed to predicting length of hospital stay, hospital charges, average pain experienced during follow-up, and 1-year mortality over and above intraoperative variables, demographics, preoperative physical status and comorbidities. We expanded our analysis to 6 specific surgical groups where sufficient data was available for cross-validation. The clock drawing images were represented by 10 constructional features discovered by a semi-supervised deep learning algorithm, previously validated to differentiate between dementia and non-dementia patients. Different machine learning models were trained to classify postoperative outcomes in hold-out test sets. The models were compared to their relative performance, time complexity, and interpretability. Shapley Additive Explanations (SHAP) analysis was used to find the most predictive features for classifying different outcomes in different surgical contexts. Relative classification performances achieved by different feature sets showed that the perioperative cognitive dataset which included clock drawing features in addition to intraoperative variables, demographics, and comorbidities served as the best dataset for 12 of 18 possible surgery-outcome combinations...
• Abstract（参考訳）: 術前の認知状態と外科的結果の関連は、重要な研究領域であるが、ほとんど調査されていない。 術中データと術後成績を結びつけることは,手術介入の長期的影響を評価するための,有望かつ低コストな方法である。 本研究は, 術後平均痛, 術後平均痛, 術後1年以上の死亡率, 年齢, 術前身体状態, 合併症の予測に, 術前の認知状態がどのような影響を及ぼすかを検討した。 クロスバリデーションに十分なデータが得られた6つの特定の手術群に分析を拡大した。 半教師付き深層学習アルゴリズムにより検出された10種類の構成的特徴を,認知症患者と非認知症患者を区別するために事前に検証した。 さまざまな機械学習モデルをトレーニングし、手術後の結果をホールドアウトテストセットで分類した。 モデルは、相対的なパフォーマンス、時間の複雑さ、解釈可能性と比較された。 Shapley Additive Explanations (SHAP) 解析は, 異なる外科的文脈における異なる結果の分類において, 最も予測可能な特徴を見出すために用いられた。 異なる特徴セットによる相対的分類の結果, 術中変数, 人口統計, 共生性に加えて, 時計描画機能を含む周術期認知データセットが, 18例中12例に最適であった。

関連論文リスト

• 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)
• SuPRA: Surgical Phase Recognition and Anticipation for Intra-Operative Planning [46.57714869178571]
  本稿では,手術段階を同時に認識し,次の手術段階を予測する2つのアプローチを提案する。 外科的位相認識・予測法(SuPRA)は,過去と現在の情報を正確な術中位相認識に活用する。
  論文  参考訳（メタデータ） (2024-03-10T12:46:33Z)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• Assessing the impact of emergency department short stay units using length-of-stay prediction and discrete event simulation [1.0822676139724565]
  救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。 我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
  論文  参考訳（メタデータ） (2023-08-04T22:26:02Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Self-explaining Hierarchical Model for Intraoperative Time Series [6.877686657275981]
  本稿では,術中時系列における注意力と反復モデルの両方の強さを組み合わせた階層モデルを提案する。 複数の結果が得られた111,888回の大規模な手術データセットと、外部の高解像度ICUデータセットによる実験により、我々のモデルが強い予測性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2022-10-10T03:24:18Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• CholecTriplet2021: A benchmark challenge for surgical action triplet recognition [66.51610049869393]
  腹腔鏡下手術における三肢の認識のためにMICCAI 2021で実施した内視鏡的視力障害であるColecTriplet 2021を提案する。 課題の参加者が提案する最先端の深層学習手法の課題設定と評価について述べる。 4つのベースライン法と19の新しいディープラーニングアルゴリズムが提示され、手術ビデオから直接手術行動三重項を認識し、平均平均精度(mAP)は4.2%から38.1%である。
  論文  参考訳（メタデータ） (2022-04-10T18:51:55Z)
• Towards Unified Surgical Skill Assessment [18.601526803020885]
  自動手術スキル評価のための統合型マルチパスフレームワークを提案する。 手術シミュレーションのJIGSAWSデータセットと腹腔鏡下手術の新たな臨床データセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-06-02T09:06:43Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Dynamic Predictions of Postoperative Complications from Explainable, Uncertainty-Aware, and Multi-Task Deep Neural Networks [1.7548541038532495]
  マルチタスク深層学習モデルは術後合併症の予測においてランダム森林モデルより優れている。 統合的解釈可能性のメカニズムは それぞれの合併症に対して 潜在的に修飾可能な危険因子を同定した モンテカルロのドロップアウト法は、臨床信頼を高める可能性がある予測の不確実性の定量的尺度を提供した。
  論文  参考訳（メタデータ） (2020-04-27T02:32:32Z)

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。