論文の概要: A Novel Multi-Task Teacher-Student Architecture with Self-Supervised Pretraining for 48-Hour Vasoactive-Inotropic Trend Analysis in Sepsis Mortality Prediction

• arxiv url: http://arxiv.org/abs/2502.16834v1
• Date: Mon, 24 Feb 2025 04:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 22:36:56.4058
• Title: A Novel Multi-Task Teacher-Student Architecture with Self-Supervised Pretraining for 48-Hour Vasoactive-Inotropic Trend Analysis in Sepsis Mortality Prediction
• Title（参考訳）: 48時間真空非等方性傾向解析のための自己監督事前学習型マルチタスク教師学習型アーキテクチャ
• Authors: Houji Jin, Negin Ashrafi, Kamiar Alaei, Elham Pishgar, Greg Placencia, Maryam Pishgar,
• Abstract要約: Masked Autoencoder (MAE) を用いた自己教師型セシスプレトレーニングによる教師学習型マルチタスクフレームワークを提案する。 教師モデルは死亡率分類と重度スコア回帰を行い、生徒は堅牢な時系列表現を蒸留する。 LSTM法と比較して,MIMIC-IV 3.0(9,476例)のAUROCは0。 我々の新しいマルチタスクと蒸留戦略は、リスクの高い患者の早期発見を可能にし、予測精度と疾患管理を改善し、ICU意思決定支援のための新しいツールを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sepsis is a major cause of ICU mortality, where early recognition and effective interventions are essential for improving patient outcomes. However, the vasoactive-inotropic score (VIS) varies dynamically with a patient's hemodynamic status, complicated by irregular medication patterns, missing data, and confounders, making sepsis prediction challenging. To address this, we propose a novel Teacher-Student multitask framework with self-supervised VIS pretraining via a Masked Autoencoder (MAE). The teacher model performs mortality classification and severity-score regression, while the student distills robust time-series representations, enhancing adaptation to heterogeneous VIS data. Compared to LSTM-based methods, our approach achieves an AUROC of 0.82 on MIMIC-IV 3.0 (9,476 patients), outperforming the baseline (0.74). SHAP analysis revealed that SOFA score (0.147) had the greatest impact on ICU mortality, followed by LODS (0.033), single marital status (0.031), and Medicaid insurance (0.023), highlighting the role of sociodemographic factors. SAPSII (0.020) also contributed significantly. These findings suggest that both clinical and social factors should be considered in ICU decision-making. Our novel multitask and distillation strategies enable earlier identification of high-risk patients, improving prediction accuracy and disease management, offering new tools for ICU decision support.
• Abstract（参考訳）: セプシスはICU死亡の主な原因であり、早期認識と効果的な介入が患者の予後を改善するのに不可欠である。 しかし、血管作動性不整脈スコア(VIS)は、不規則な薬物パターン、欠失データ、共同設立者によって複雑化され、患者の血行状態とともに動的に変化するため、敗血症の予測は困難である。 そこで本稿では,Masked Autoencoder (MAE) を用いた自己教師型VISプリトレーニングによる新しいマルチタスクフレームワークを提案する。 教師モデルは、死亡率分類と重度スコア回帰を行い、学生は頑健な時系列表現を蒸留し、異種VISデータへの適応性を高める。 LSTM法と比較して,MIMIC-IV 3.0 (9,476例) のAUROCは0。 SHAP分析の結果,SOFAスコア(0.147)がICU死亡率に最も影響を与え,LODS(0.033),単一婚姻状況(0.031),メディケイド保険(0.023)が社会デマログラフィー因子の役割を強調した。 SAPSII (0.020) も大きく寄与した。 以上より,ICUの意思決定において臨床・社会的要因が考慮されるべきであることが示唆された。 我々の新しいマルチタスクと蒸留戦略は、リスクの高い患者の早期発見を可能にし、予測精度と疾患管理を改善し、ICU意思決定支援のための新しいツールを提供する。

関連論文リスト

• XGBoost-Based Prediction of ICU Mortality in Sepsis-Associated Acute Kidney Injury Patients Using MIMIC-IV Database with Validation from eICU Database [0.0]
  Sepsis-Associated acute Kidney Injury (SA-AKI) は集中治療において高い死亡率をもたらす。 本研究では,SA-AKI患者のICU死亡率を予測する機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-02-25T08:49:22Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Mortality Prediction of Pulmonary Embolism Patients with Deep Learning and XGBoost [0.5942186563711294]
  肺塞栓症(PE)は死亡率と致命的な疾患の主要な原因である。 従来の臨床手法では, PE患者の30日間の院内死亡を予測できた。
  論文  参考訳（メタデータ） (2024-11-27T05:15:55Z)
• Predicting Mortality and Functional Status Scores of Traumatic Brain Injury Patients using Supervised Machine Learning [0.0]
  外傷性脳損傷(TBI)は公衆衛生上の重大な課題であり、しばしば死亡または持続性障害を引き起こす。 死亡率や機能的状態尺度(FSS)のスコアなどの予測結果は治療戦略を強化し、臨床的な意思決定を通知することができる。 本研究では,300名の小児TBI患者の現実的データセットを用いて,機械学習(ML)を用いて死亡率とFSSスコアを予測する。
  論文  参考訳（メタデータ） (2024-10-27T00:44:45Z)
• 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)
• 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)
• 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)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• Automatic prediction of mortality in patients with mental illness using electronic health records [0.5957022371135096]
  本報告では,精神疾患患者の死亡率を予測するための永続的課題について述べる。 MIMIC-IIIデータセットから精神疾患の診断データを抽出した。 4つの機械学習アルゴリズムを使用し、ランダムフォレストとサポートベクターマシンのモデルが他のモデルよりも優れていたことを示す結果が得られた。
  論文  参考訳（メタデータ） (2023-10-18T17:21:01Z)
• XMI-ICU: Explainable Machine Learning Model for Pseudo-Dynamic Prediction of Mortality in the ICU for Heart Attack Patients [3.5475382876263915]
  心臓発作は、米国と世界の死亡率に最も貢献している1つである。 我々は,ICUにおける死亡予測のための新しい擬似力学機械学習フレームワークを開発し,解釈可能性と臨床リスク分析を行った。
  論文  参考訳（メタデータ） (2023-05-10T12:53:18Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point Process View [44.67854875502783]
  1月21日以降、米国では100万人以上が新型コロナウイルスの感染者を確認している。 この伝染性呼吸器疾患は、米国の3000以上の郡と50の州に急速に広がった。 本疾患の複雑な時空干渉伝播を理解するためには,正確な予測や知的外的介入が可能であることが不可欠である。
  論文  参考訳（メタデータ） (2021-06-24T15:26:46Z)
• 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。