論文の概要: Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series

• arxiv url: http://arxiv.org/abs/2411.01418v2
• Date: Sun, 26 Jan 2025 17:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:49:51.554183
• Title: Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series
• Title（参考訳）: 不規則な時間系列の階層的モデリングによるICU患者の血糖レベルの予測
• Authors: Hadi Mehdizavareh, Arijit Khan, Simon Lebech Cichosz,
• Abstract要約: ICU患者の血糖値(BG)を予測するためのマルチソース不規則時間変換器(MITST) MITSTはトランスフォーマーの階層アーキテクチャを採用しており、特徴レベル、タイムスタンプ、ソースレベルのコンポーネントで構成されている。
• 参考スコア（独自算出の注目度）: 4.101915841246237
• License:
• Abstract: Accurately predicting blood glucose (BG) levels of ICU patients is critical, as both hypoglycemia (BG < 70 mg/dL) and hyperglycemia (BG > 180 mg/dL) are associated with increased morbidity and mortality. This study presents a proof-of-concept machine learning framework, the Multi-source Irregular Time-Series Transformer (MITST), designed to predict blood glucose (BG) levels in ICU patients. Unlike existing approaches that rely on manual feature engineering or are limited to a small number of Electronic Health Record (EHR) data sources, MITST demonstrates the feasibility of integrating diverse clinical data (e.g., lab results, medications, vital signs) and handling irregular time-series data without predefined aggregation. MITST employs a hierarchical architecture of Transformers, comprising feature-level, timestamp-level, and source-level components, to capture fine-grained temporal dynamics and enable learning-based data integration. This eliminates the need for traditional aggregation and manual feature engineering. In a large-scale evaluation using the eICU database (200,859 ICU stays across 208 hospitals), MITST achieves an average improvement of 1.7% (p < 0.001) in AUROC and 1.8% (p < 0.001) in AUPRC over a state-of-the-art baseline. For hypoglycemia, MITST achieves an AUROC of 0.915 and an AUPRC of 0.247, both significantly outperforming the baseline. The flexible architecture of MITST allows seamless integration of new data sources without retraining the entire model, enhancing its adaptability for clinical decision support. While this study focuses on predicting BG levels, MITST can easily be extended to other critical event prediction tasks in ICU settings, offering a robust solution for analyzing complex, multi-source, irregular time-series data.
• Abstract（参考訳）: 低血糖 (BG < 70 mg/dL) と高血糖 (BG > 180 mg/dL) の両方が死亡率と死亡率の増加と関連しているため、ICU患者の血糖 (BG) の正確な予測は極めて重要である。 本研究は,ICU患者の血糖値(BG)の予測を目的とした,概念的機械学習フレームワークであるMulti-source Irregular Time-Series Transformer(MITST)を提案する。 手動の特徴工学に依存する既存のアプローチや、少数の電子健康記録(EHR)データソースに制限されているアプローチとは異なり、MITSTは、様々な臨床データ(例えば、検査結果、薬品、バイタルサイン)を統合し、事前定義された集計なしに不規則な時系列データを扱う可能性を実証している。 MITSTはトランスフォーマーの階層アーキテクチャを採用し、機能レベル、タイムスタンプレベル、ソースレベルのコンポーネントで構成され、微細な時間的ダイナミクスをキャプチャし、学習ベースのデータ統合を可能にする。 これにより、従来のアグリゲーションや手動の機能エンジニアリングが不要になる。 eICUデータベース(200,859 ICUは208の病院に留まる)を用いた大規模な評価では、MITSTはAUROCで1.7%(p < 0.001)、AUPRCで1.8%(p < 0.001)の改善を達成している。 低血糖では、MITSTはAUROC 0.915 と AUPRC 0.247 を達成し、どちらもベースラインを著しく上回っている。 MITSTの柔軟なアーキテクチャは、モデル全体をトレーニングすることなく、新しいデータソースのシームレスな統合を可能にし、臨床的な意思決定支援への適応性を高めます。 この研究はBGレベルの予測に重点を置いているが、MITSTはICU設定における他の重要な事象予測タスクに容易に拡張することができ、複雑な、複数ソース、不規則な時系列データを解析するための堅牢なソリューションを提供する。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
  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。
  論文  参考訳（メタデータ） (2024-10-22T18:56:31Z)
• A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular Diseases Detection [0.0]
  世界的には、心臓血管疾患(CVD)が主な死因であり、毎年1790万人が死亡している。 重要な臨床目的の1つは、心電図(ECG)データによるCVDの早期検出である。 機械学習とディープラーニングに基づく最近の進歩は、この分野において大きな進歩を遂げている。
  論文  参考訳（メタデータ） (2023-11-20T10:57:11Z)
• Mixed-Integer Projections for Automated Data Correction of EMRs Improve Predictions of Sepsis among Hospitalized Patients [7.639610349097473]
  本稿では,領域制約として臨床専門知識をシームレスに統合する革新的プロジェクションに基づく手法を提案する。 我々は、患者データの健全な範囲を規定する制約から補正されたデータの距離を測定する。 AUROCは0.865で、精度は0.922で、従来のMLモデルを上回る。
  論文  参考訳（メタデータ） (2023-08-21T15:14:49Z)
• Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
  連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。 将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
  論文  参考訳（メタデータ） (2023-02-24T19:10:40Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• 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)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Contrastive Learning Improves Critical Event Prediction in COVID-19 Patients [19.419685256069666]
  対照的損失 (CL) は非平衡 EHR データに対するクロスエントロピー損失 (CEL) の性能を改善することを示した。 この研究は、シナイ山にあるIcahn School of MedicineのInstitutional Review Boardによって承認されています。
  論文  参考訳（メタデータ） (2021-01-11T16:41:13Z)
• 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)

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。