論文の概要: Classification of Deceased Patients from Non-Deceased Patients using Random Forest and Support Vector Machine Classifiers

• arxiv url: http://arxiv.org/abs/2411.18759v1
• Date: Wed, 27 Nov 2024 21:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:19:32.732466
• Title: Classification of Deceased Patients from Non-Deceased Patients using Random Forest and Support Vector Machine Classifiers
• Title（参考訳）: ランダムフォレストと支援ベクトルマシン分類器を用いた非認知症患者の重症度分類
• Authors: Dheeman Saha, Aaron Segura, Biraj Tiwari,
• Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックの間、データマイニング(データマイニング)の患者情報は、患者が死亡のリスクが高いことを示唆するパターンを発見する機会となる。 本研究は, 入院中の患者と入院していない患者を区別することを目的として, 支援ベクトルマシン (SVM) とランダムフォレスト (RF) の分類技術を用いた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Analyzing large datasets and summarizing it into useful information is the heart of the data mining process. In healthcare, information can be converted into knowledge about patient historical patterns and possible future trends. During the COVID-19 pandemic, data mining COVID-19 patient information poses an opportunity to discover patterns that may signal that the patient is at high risk for death. COVID-19 patients die from sepsis, a complex disease process involving multiple organ systems. We extracted the variables physicians are most concerned about regarding viral septic infections. With the aim of distinguishing COVID-19 patients who survive their hospital stay and those COVID-19 who do not, the authors of this study utilize the Support Vector Machine (SVM) and the Random Forest (RF) classification techniques to classify patients according to their demographics, laboratory test results, and preexisting health conditions. After conducting a 10-fold validation procedure, we assessed the performance of the classification through a Receiver Operating Characteristic (ROC) curve, and a Confusion Matrix was used to determine the accuracy of the classifiers. We also performed a cluster analysis on the binary factors, such as if the patient had a preexisting condition and if sepsis was identified, and the numeric values from patient demographics and laboratory test results as predictors.
• Abstract（参考訳）: 大規模なデータセットを分析し、それを有用な情報に要約することは、データマイニングプロセスの中心である。 医療において、情報は患者の歴史的パターンや将来的な傾向に関する知識に変換することができる。 新型コロナウイルス(COVID-19)のパンデミックの間、データマイニング(データマイニング)の患者情報は、患者が死亡のリスクが高いことを示唆するパターンを発見する機会となる。 新型コロナウイルス(COVID-19)患者は、複数の臓器システムを含む複雑な疾患プロセスである敗血症で死亡する。 ウイルス性敗血症に最も関心がある変数を抽出した。 本研究は, 入院中の患者と入院していない患者を区別することを目的として, 支援ベクトルマシン(SVM)とランダムフォレスト(RF)分類技術を用いて, 患者の人口統計, 検査結果, 既往の健康状態を分類する。 10倍の検証処理を行った後、受信器動作特性曲線(ROC)を用いて分類性能を評価し、コンフュージョンマトリックスを用いて分類器の精度を判定した。 また, 患者が既往の状態であったか, 敗血症が特定されたか, 検査結果の数値が予測因子であったかなどの2因子について, クラスター分析を行った。

関連論文リスト

• Classifying the evolution of COVID-19 severity on patients with combined dynamic Bayesian networks and neural networks [1.9766522384767222]
  患者の病気の重症度を事前に知ることは、治療とリソースの整理を改善することができる。 この問題は、第6次流行波からスペインで流行したCOVID-19患者のデータセットで説明します。 我々は、動的ベイズネットワークを用いて、今後40時間にわたる患者のバイタルサインと血液分析結果を予測するとともに、その期間における患者疾患の重症度を評価するニューラルネットワークを組み合わせた。
  論文  参考訳（メタデータ） (2023-03-10T15:05:32Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Machine learning approach to dynamic risk modeling of mortality in COVID-19: a UK Biobank study [0.0]
  新型コロナウイルス(COVID-19)のパンデミックは、高リスク患者の階層化を支援する堅牢でスケーラブルなモニタリングツールを緊急に必要としてきた。 本研究は、英国バイオバンクを用いた予測モデルを開発し、検証し、新型コロナウイルスの死亡リスクを推定することを目的とする。
  論文  参考訳（メタデータ） (2021-04-19T11:51:20Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Predicting Patient COVID-19 Disease Severity by means of Statistical and Machine Learning Analysis of Blood Cell Transcriptome Data [3.5699804146136676]
  患者末梢血のデータを用いて臨床結果を予測する方法について検討した。 本研究は, 健常人と陽性患者とを鑑別し, 血液検査で測定可能な臨床パラメータをいくつか明らかにした。 そこで我々は,90%以上の重症度と死亡率予測の精度と精度を示す分析手法を多数開発した。
  論文  参考訳（メタデータ） (2020-11-19T10:32:46Z)
• Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
  我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。 入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。 以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T02:44:52Z)
• 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)
• 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)
• 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。