論文の概要: SepsisCalc: Integrating Clinical Calculators into Early Sepsis Prediction via Dynamic Temporal Graph Construction
- arxiv url: http://arxiv.org/abs/2501.00190v1
- Date: Tue, 31 Dec 2024 00:02:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-05 17:15:24.926951
- Title: SepsisCalc: Integrating Clinical Calculators into Early Sepsis Prediction via Dynamic Temporal Graph Construction
- Title（参考訳）: SepsisCalc:動的時間グラフ構築による臨床電卓の早期セプシス予測への統合
- Authors: Changchang Yin, Shihan Fu, Bingsheng Yao, Thai-Hoang Pham, Weidan Cao, Dakuo Wang, Jeffrey Caterino, Ping Zhang,
- Abstract要約: セプシス(Sepsis)は、感染症に対する免疫反応の低下によって引き起こされる臓器機能障害である。
臨床電卓は臨床医のワークフローにおける敗血症の同定において重要な役割を担っている。
- 参考スコア（独自算出の注目度）: 27.020030731672477
- License:
- Abstract: Sepsis is an organ dysfunction caused by a deregulated immune response to an infection. Early sepsis prediction and identification allow for timely intervention, leading to improved clinical outcomes. Clinical calculators (e.g., the six-organ dysfunction assessment of SOFA) play a vital role in sepsis identification within clinicians' workflow, providing evidence-based risk assessments essential for sepsis diagnosis. However, artificial intelligence (AI) sepsis prediction models typically generate a single sepsis risk score without incorporating clinical calculators for assessing organ dysfunctions, making the models less convincing and transparent to clinicians. To bridge the gap, we propose to mimic clinicians' workflow with a novel framework SepsisCalc to integrate clinical calculators into the predictive model, yielding a clinically transparent and precise model for utilization in clinical settings. Practically, clinical calculators usually combine information from multiple component variables in Electronic Health Records (EHR), and might not be applicable when the variables are (partially) missing. We mitigate this issue by representing EHRs as temporal graphs and integrating a learning module to dynamically add the accurately estimated calculator to the graphs. Experimental results on real-world datasets show that the proposed model outperforms state-of-the-art methods on sepsis prediction tasks. Moreover, we developed a system to identify organ dysfunctions and potential sepsis risks, providing a human-AI interaction tool for deployment, which can help clinicians understand the prediction outputs and prepare timely interventions for the corresponding dysfunctions, paving the way for actionable clinical decision-making support for early intervention.
- Abstract（参考訳）: セプシス(Sepsis)は、感染症に対する免疫反応の低下によって引き起こされる臓器機能障害である。
早期の敗血症予測と診断は、タイムリーな介入を可能にし、臨床結果の改善につながる。
臨床電卓(例:SOFAの6臓器機能障害評価)は、臨床医のワークフローにおける敗血症の同定において重要な役割を担い、敗血症診断に不可欠なエビデンスベースのリスクアセスメントを提供する。
しかし、人工知能(AI)の敗血症予測モデルは通常、臓器機能障害を評価するための臨床計算機を組み込まずに単一の敗血症リスクスコアを生成する。
このギャップを埋めるために,臨床電卓を予測モデルに統合する新たなフレームワークであるSepsisCalcを用いて臨床医のワークフローを模倣することを提案する。
実際、臨床電卓は通常、電子健康記録(EHR)の複数の変数からの情報を組み合わせており、変数が(部分的に)欠落している場合には適用できない可能性がある。
EHRを時間グラフとして表現し、学習モジュールを統合して、正確に推定された電卓をグラフに動的に追加することで、この問題を軽減する。
実世界のデータセットによる実験結果から,提案モデルがセシス予測タスクの最先端手法より優れていることが示された。
さらに,臓器機能障害と敗血症リスクを識別するシステムを開発し,ヒトとAIのインタラクションツールをデプロイし,臨床医が予測出力を理解し,それに対応する機能障害に対するタイムリーな介入を行えるようにし,早期介入のための実用的な臨床意思決定支援の道を開いた。
関連論文リスト
- Advancing clinical trial outcomes using deep learning and predictive modelling: bridging precision medicine and patient-centered care [0.0]
深層学習と予測モデリングは、臨床試験設計、患者採用、リアルタイムモニタリングを最適化するための変換ツールとして登場した。
本研究では、畳み込みニューラルネットワーク(CNN)やトランスフォーマーモデルなどの深層学習技術の患者層化への応用について検討する。
生存分析や時系列予測を含む予測モデリング手法は、試行結果の予測、効率の向上、試行失敗率の低減に用いられている。
論文 参考訳（メタデータ） (2024-12-09T23:20:08Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - 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) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - ALRt: An Active Learning Framework for Irregularly Sampled Temporal Data [1.370633147306388]
セプシスは病院内の多くの患者に致命的な症状である。
本稿では, 短時間の時間的地平線に対するアクティブラーニング・リカレントニューラルネットワーク(ALRts)の利用により, セプシスなどの不規則な時間的事象の予測を改善することを提案する。
限られたデータに基づいてトレーニングされたアクティブラーニングRNNモデルは、トレーニングデータセット全体を用いたモデルに匹敵する堅牢なセシス予測を形成することができることを示す。
論文 参考訳（メタデータ） (2022-12-13T04:31:49Z) - Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。
集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。
我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-11-16T11:19:02Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - 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) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - 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。