論文の概要: A Novel Generative Multi-Task Representation Learning Approach for Predicting Postoperative Complications in Cardiac Surgery Patients

• arxiv url: http://arxiv.org/abs/2412.01950v1
• Date: Mon, 02 Dec 2024 20:24:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:28.327749
• Title: A Novel Generative Multi-Task Representation Learning Approach for Predicting Postoperative Complications in Cardiac Surgery Patients
• Title（参考訳）: 心臓外科領域における術後合併症予測のための多面的多面的表現学習手法の開発
• Authors: Junbo Shen, Bing Xue, Thomas Kannampallil, Chenyang Lu, Joanna Abraham,
• Abstract要約: 機械学習は、術後合併症に対する患者のリスクを特定し、予測するために利用することができる。 新規な手術用変分オートエンコーダを用いて術後合併症の予測と評価を行った。 surgVAEは、クロスタスクとクロスコホートプレゼンテーション学習を通じて固有のパターンを明らかにする。
• 参考スコア（独自算出の注目度）: 7.42249589630227
• License:
• Abstract: Early detection of surgical complications allows for timely therapy and proactive risk mitigation. Machine learning (ML) can be leveraged to identify and predict patient risks for postoperative complications. We developed and validated the effectiveness of predicting postoperative complications using a novel surgical Variational Autoencoder (surgVAE) that uncovers intrinsic patterns via cross-task and cross-cohort presentation learning. This retrospective cohort study used data from the electronic health records of adult surgical patients over four years (2018 - 2021). Six key postoperative complications for cardiac surgery were assessed: acute kidney injury, atrial fibrillation, cardiac arrest, deep vein thrombosis or pulmonary embolism, blood transfusion, and other intraoperative cardiac events. We compared prediction performances of surgVAE against widely-used ML models and advanced representation learning and generative models under 5-fold cross-validation. 89,246 surgeries (49% male, median (IQR) age: 57 (45-69)) were included, with 6,502 in the targeted cardiac surgery cohort (61% male, median (IQR) age: 60 (53-70)). surgVAE demonstrated superior performance over existing ML solutions across all postoperative complications of cardiac surgery patients, achieving macro-averaged AUPRC of 0.409 and macro-averaged AUROC of 0.831, which were 3.4% and 3.7% higher, respectively, than the best alternative method (by AUPRC scores). Model interpretation using Integrated Gradients highlighted key risk factors based on preoperative variable importance. surgVAE showed excellent discriminatory performance for predicting postoperative complications and addressing the challenges of data complexity, small cohort sizes, and low-frequency positive events. surgVAE enables data-driven predictions of patient risks and prognosis while enhancing the interpretability of patient risk profiles.
• Abstract（参考訳）: 外科的合併症の早期発見は、タイムリーな治療と予防的リスク軽減を可能にする。 機械学習(ML)は、術後合併症のリスクを特定し、予測するために利用することができる。 クロスタスクおよびクロスコート・プレゼンテーション・ラーニングにより内因性パターンを明らかにする新しい手術用変分オートエンコーダ(surgVAE)を用いて術後合併症の予測の有効性を検証した。 この振り返りコホート研究は、成人外科患者(2018年-2021年)の電子健康記録のデータを用いた。 急性腎損傷,心房細動,心停止,深部静脈血栓症,肺塞栓症,輸血,その他の術中心疾患の6つの術後合併症について検討した。 本研究では,広く使用されているMLモデルに対するsurgVAEの予測性能と,5倍のクロスバリデーション下での高度な表現学習と生成モデルを比較した。 89,246例 (男性49%, 中央値(IQR) 57例 (45-69) , 対象心臓手術コホート6,502例 (男性61%, 中央値(IQR)60例 (53-70)) であった。 surgVAEは,AUPRC0.409のマクロ平均値,AUROC0.831のマクロ平均値,AUPRC3.4%,AUROC3.7%のマクロ平均値,全術後合併症に対する既存のMLソリューションよりも優れた性能を示した(AUPRCスコアによる)。 統合的グラディエントを用いたモデル解釈では,術前変数の重要度に基づく重要なリスク要因が強調された。 surgVAEは術後合併症の予測とデータ複雑性,小コホートサイズ,低頻度陽性事象の課題への対処に優れた判別性能を示した。 surgVAEは、患者のリスクプロファイルの解釈可能性を高めながら、患者のリスクと予後に関するデータ駆動予測を可能にする。

関連論文リスト

• Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
  心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。 広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。 本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
  論文  参考訳（メタデータ） (2024-09-03T07:57:08Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Robust Meta-Model for Predicting the Need for Blood Transfusion in Non-traumatic ICU Patients [10.169599503547134]
  ICU設定での貧血や凝固症管理に不可欠な輸血は、効果的な資源配分と患者のリスク評価の正確な予測を必要とする。 本研究の目的は,多種多様な非外傷性ICU患者に対して,今後24時間にわたって輸血の必要性を予測できる高度な機械学習モデルを開発することである。
  論文  参考訳（メタデータ） (2024-01-01T23:25:48Z)
• 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)
• Predicting adverse outcomes following catheter ablation treatment for atrial fibrillation [2.202746751854349]
  AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。 伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
  論文  参考訳（メタデータ） (2022-11-22T02:55:51Z)
• Electrocardiographic Deep Learning for Predicting Post-Procedural Mortality [9.192239774090208]
  深層学習アルゴリズムは、術前の心電図からの波形信号を利用して術後の死亡を判別するために開発された。 深層学習モデルのリスク予測によって高いリスクと判断された患者は、術後死亡率8.83(5.57-13.20)の未調整オッズ比(OR)を持っていた。 新たな深層学習アルゴリズムが術前の心電図に適用されたことにより,術後の死亡率の識別が向上することを示す。
  論文  参考訳（メタデータ） (2022-04-30T05:14:53Z)
• 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)
• Clinical prediction system of complications among COVID-19 patients: a development and validation retrospective multicentre study [0.3569980414613667]
  2020年4月1日から4月30日までにUAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。 最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。 このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
  論文  参考訳（メタデータ） (2020-11-28T18:16:23Z)
• 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)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。