論文の概要: Predicting Extubation Failure in Intensive Care: The Development of a Novel, End-to-End Actionable and Interpretable Prediction System

• arxiv url: http://arxiv.org/abs/2412.00105v1
• Date: Wed, 27 Nov 2024 22:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:47.464693
• Title: Predicting Extubation Failure in Intensive Care: The Development of a Novel, End-to-End Actionable and Interpretable Prediction System
• Title（参考訳）: 集中治療におけるエクスキュベーション障害の予測:新しいエンド・ツー・エンド・エンド・アクション・アンド・インタプリタブル・予測システムの開発
• Authors: Akram Yoosoofsah,
• Abstract要約: 集中治療における排他的障害の予測は、複雑なデータと不正確な予測の重大な結果のために困難である。 機械学習は、臨床的な意思決定を改善することを約束するが、時間的患者の軌跡やモデル解釈可能性を考慮するのに失敗することが多い。 本研究では, 時相モデリング手法を用いて, エクスキュベーション故障の予測システムを構築することを目的とした。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Predicting extubation failure in intensive care is challenging due to complex data and the severe consequences of inaccurate predictions. Machine learning shows promise in improving clinical decision-making but often fails to account for temporal patient trajectories and model interpretability, highlighting the need for innovative solutions. This study aimed to develop an actionable, interpretable prediction system for extubation failure using temporal modelling approaches such as Long Short-Term Memory (LSTM) and Temporal Convolutional Networks (TCN). A retrospective cohort study of 4,701 mechanically ventilated patients from the MIMIC-IV database was conducted. Data from the 6 hours before extubation, including static and dynamic features, were processed through novel techniques addressing data inconsistency and synthetic data challenges. Feature selection was guided by clinical relevance and literature benchmarks. Iterative experimentation involved training LSTM, TCN, and LightGBM models. Initial results showed a strong bias toward predicting extubation success, despite advanced hyperparameter tuning and static data inclusion. Data was stratified by sampling frequency to reduce synthetic data impacts, leading to a fused decision system with improved performance. However, all architectures yielded modest predictive power (AUC-ROC ~0.6; F1 <0.5) with no clear advantage in incorporating static data or additional features. Ablation analysis indicated minimal impact of individual features on model performance. This thesis highlights the challenges of synthetic data in extubation failure prediction and introduces strategies to mitigate bias, including clinician-informed preprocessing and novel feature subsetting. While performance was limited, the study provides a foundation for future work, emphasising the need for reliable, interpretable models to optimise ICU outcomes.
• Abstract（参考訳）: 集中治療における排他的障害の予測は、複雑なデータと不正確な予測の重大な結果のために困難である。 機械学習は、臨床的な意思決定を改善することを約束するが、しばしば時間的患者の軌跡とモデル解釈可能性を考慮して失敗し、革新的なソリューションの必要性を強調している。 本研究では,長期短期記憶 (LSTM) や時間畳み込みネットワーク (TCN) などの時間的モデリング手法を用いて,エクステンベーション障害に対する実用的な解釈可能な予測システムを開発することを目的とした。 MIMIC-IVデータベースによる4,701人の機械的換気患者の振り返りコホート調査を行った。 静的および動的特徴を含むエクスキュベーション前の6時間前のデータは、データの一貫性と合成データの課題に対処する新しい技術によって処理された。 特徴選択は臨床関係と文献のベンチマークによって導かれた。 反復実験ではLSTM、TCN、LightGBMモデルのトレーニングが行われた。 最初の結果は、高度なハイパーパラメータチューニングと静的データを含むにもかかわらず、エクステンベーション成功を予測するための強いバイアスを示した。 データはサンプリング周波数で階層化され、合成データの影響を低減した。 しかし、全てのアーキテクチャは静的データや追加機能の導入に明確な優位性を持たず、控えめな予測力(AUC-ROC ~0.6; F1 <0.5)を得た。 アブレーション分析の結果,個々の特徴がモデル性能に与える影響は最小限であった。 この論文は、エクスキュベーション障害予測における合成データの課題を強調し、クリニカルインフォームド前処理や新しい特徴サブセット作成を含むバイアスを軽減する戦略を導入する。 性能は限られていたが、この研究は将来の研究の基盤を提供し、ICUの結果を最適化するための信頼性のある解釈可能なモデルの必要性を強調した。

関連論文リスト

• Zero-shot generation of synthetic neurosurgical data with large language models [0.7373617024876725]
  本研究の目的は,大言語モデル(LLM, GPT-4o)を用いた人工神経外科データのゼロショット生成能力を評価することである。 GPT-4oで合成されたデータは、小さなサンプルサイズで臨床データを効果的に増強し、神経外科的結果を予測するためのMLモデルを訓練することができる。
  論文  参考訳（メタデータ） (2025-02-13T18:21:15Z)
• Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
  グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。 タイムリーな介入のために5分間の予測ウィンドウが選択された。 本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-30T23:24:28Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• 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)
• Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time [28.11470886127216]
  動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。 また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
  論文  参考訳（メタデータ） (2021-09-20T13:21:39Z)
• 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)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• 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。