論文の概要: Utilizing Machine Learning Models to Predict Acute Kidney Injury in Septic Patients from MIMIC-III Database

• arxiv url: http://arxiv.org/abs/2412.03737v1
• Date: Wed, 04 Dec 2024 22:05:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:40:08.029677
• Title: Utilizing Machine Learning Models to Predict Acute Kidney Injury in Septic Patients from MIMIC-III Database
• Title（参考訳）: MIMIC-IIIデータベースを用いた敗血症患者の急性腎臓損傷予測のための機械学習モデルの利用
• Authors: Aleyeh Roknaldin, Zehao Zhang, Jiayuan Xu, Kamiar Alaei, Maryam Pishgar,
• Abstract要約: セプシス(Sepsis)は、体が感染に対して正しく反応しない重篤な疾患である。 敗血症患者では、約50%が急性腎障害(AKI)を発症する。 敗血症患者の特徴に基づいてAKIを正確に予測できるモデルは早期発見と介入に不可欠である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Sepsis is a severe condition that causes the body to respond incorrectly to an infection. This reaction can subsequently cause organ failure, a major one being acute kidney injury (AKI). For septic patients, approximately 50% develop AKI, with a mortality rate above 40%. Creating models that can accurately predict AKI based on specific qualities of septic patients is crucial for early detection and intervention. Using medical data from septic patients during intensive care unit (ICU) admission from the Medical Information Mart for Intensive Care 3 (MIMIC-III) database, we extracted 3301 patients with sepsis, with 73% of patients developing AKI. The data was randomly divided into a training set (n = 1980, 40%), a test set (n = 661, 10%), and a validation set (n = 660, 50%). The proposed model was logistic regression, and it was compared against five baseline models: XGBoost, K Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF), and LightGBM. Area Under the Curve (AUC), Accuracy, F1-Score, and Recall were calculated for each model. After analysis, we were able to select 23 features to include in our model, the top features being urine output, maximum bilirubin, minimum bilirubin, weight, maximum blood urea nitrogen, and minimum estimated glomerular filtration rate. The logistic regression model performed the best, achieving an AUC score of 0.887 (95% CI: [0.861-0.915]), an accuracy of 0.817, an F1 score of 0.866, a recall score of 0.827, and a Brier score of 0.13. Compared to the best existing literature in this field, our model achieved an 8.57% improvement in AUC while using 13 fewer variables, showcasing its effectiveness in determining AKI in septic patients. While the features selected for predicting AKI in septic patients are similar to previous literature, the top features that influenced our model's performance differ.
• Abstract（参考訳）: セプシス(Sepsis)は、体が感染に対して正しく反応しない重篤な疾患である。 この反応はその後臓器不全を引き起こし、主要なものは急性腎障害(AKI)である。 敗血症患者では、約50%がAKIを発症し、死亡率は40%以上である。 敗血症患者の特徴に基づいてAKIを正確に予測できるモデルを作成することは早期発見と介入に不可欠である。 集中治療室 (ICU) における集中治療室 (MIMIC-III) データベースの入院中, 敗血症患者3301例を抽出し, 73%がAKIを発症した。 データはランダムにトレーニングセット(n = 1980, 40%)、テストセット(n = 661, 10%)、検証セット(n = 660, 50%)に分けられた。 提案したモデルはロジスティック回帰であり、XGBoost, K Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF), LightGBM の5つのベースラインモデルと比較された。 各モデルについて、AUC(Area Under the Curve)、精度、F1スコア、リコールを算出した。 分析の結果,尿出力,ビリルビンの最大値,ビリルビンの最大値,尿素の最大値,尿素の最大値,尿素の最大値,糸球体濾過率の最大値など,23種類の特徴が得られた。 ロジスティック回帰モデルは、AUCスコアが0.887(95% CI: [0.861-0.915])、精度が0.817、F1スコアが0.866、リコールスコアが0.827、ブライアスコアが0.13であった。 この分野でもっとも優れた文献と比較すると,本モデルは13変数を使用しながらAUCの8.57%の改善を達成し,敗血症患者におけるAKI判定の有効性を示した。 敗血症患者のAKI予測に選択された特徴は過去の文献と似ているが,本モデルの性能に影響を及ぼす主な特徴は異なっていた。

関連論文リスト

• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• Advanced Predictive Modeling for Enhanced Mortality Prediction in ICU Stroke Patients Using Clinical Data [0.0]
  ストロークは成人の障害と死亡の第二の要因である。 毎年1700万人が脳卒中を患っており、約85%が虚血性脳卒中である。 我々は、死亡リスクを評価するためのディープラーニングモデルを開発し、比較のためにいくつかのベースライン機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-07-19T11:17:42Z)
• Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
  本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。 モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
  論文  参考訳（メタデータ） (2024-05-12T20:02:25Z)
• 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)
• Acute kidney injury prediction for non-critical care patients: a retrospective external and internal validation study [1.7667281678430398]
  急性腎障害(AKI)は入院患者の最大18%に発症する。 ディープラーニングと従来の機械学習モデルは、AKIの進行を予測するために開発された。 他の施設で試験すると、モデルはわずかに差別を減らした。
  論文  参考訳（メタデータ） (2024-02-06T18:05:30Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• 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)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。