論文の概要: Recurrent Neural Network on PICTURE Model
- arxiv url: http://arxiv.org/abs/2412.01933v1
- Date: Mon, 02 Dec 2024 19:49:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:46:23.339703
- Title: Recurrent Neural Network on PICTURE Model
- Title(参考訳): 画像モデルに基づくリカレントニューラルネットワーク
- Authors: Weihan Xu,
- Abstract要約: この研究は、XGBoostモデルのパフォーマンスをベンチマークするために、ディープラーニングモデルを実装することを目的としている。
このモデルは、緊急集中治療単位の転送、呼吸不全、死亡のリスクが高い患者とリスクの低い患者とを分離することにより、患者の劣化を予測する。
- 参考スコア(独自算出の注目度): 0.9790236766474201
- License:
- Abstract: Intensive Care Units (ICUs) provide critical care and life support for most severely ill and injured patients in the hospital. With the need for ICUs growing rapidly and unprecedentedly, especially during COVID-19, accurately identifying the most critical patients helps hospitals to allocate resources more efficiently and save more lives. The Predicting Intensive Care Transfers and Other Unforeseen Events (PICTURE) model predicts patient deterioration by separating those at high risk for imminent intensive care unit transfer, respiratory failure, or death from those at lower risk. This study aims to implement a deep learning model to benchmark the performance from the XGBoost model, an existing model which has competitive results on prediction.
- Abstract(参考訳): ICU (Intensive Care Units) は、重篤な疾患や負傷者に対して、重篤なケアと生命維持を提供する。
ICUの需要が急速に増加し、特に新型コロナウイルス(COVID-19)の期間中に、最も重要な患者を正確に特定することで、病院はより効率的にリソースを割り当て、より多くの命を救うことができる。
The Predicting Intensive Care Transfers and Other Unforeseen Events (PICTURE) Modelは、差し迫った集中治療単位の転送、呼吸不全、死亡のリスクが高いものとリスクの低いものとを分離することで、患者の劣化を予測する。
本研究の目的は,既存のモデルであるXGBoostモデルの性能をベンチマークする深層学習モデルの実装である。
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) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-10-24T02:56:05Z) - 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) - 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) - 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) - Early prediction of the risk of ICU mortality with Deep Federated
Learning [0.0]
我々は,集中治療室の死亡リスクを早期に予測するために,深層連携学習の能力を評価する。
患者の病歴ウィンドウが退院や死亡に近づくと,予測性能が高くなることを示す。
論文 参考訳(メタデータ) (2022-12-01T15:01:27Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳(メタデータ) (2021-12-19T01:45:57Z) - Early ICU Mortality Prediction and Survival Analysis for Respiratory
Failure [4.229085609275446]
呼吸不全患者の早期死亡リスク予測のための動的モデリング手法を,最初の24時間ICU生理学的データに基づいて提案する。
ICU導入後5日目のAUROC高成績(80~83%)とAUCPR4%の有意な改善が得られた。
論文 参考訳(メタデータ) (2021-09-06T06:03:23Z) - Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。
よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
論文 参考訳(メタデータ) (2020-12-11T16:27:04Z) - 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)
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。