論文の概要: MANDARIN: Mixture-of-Experts Framework for Dynamic Delirium and Coma Prediction in ICU Patients: Development and Validation of an Acute Brain Dysfunction Prediction Model

• arxiv url: http://arxiv.org/abs/2503.06059v1
• Date: Sat, 08 Mar 2025 04:56:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:51:33.302927
• Title: MANDARIN: Mixture-of-Experts Framework for Dynamic Delirium and Coma Prediction in ICU Patients: Development and Validation of an Acute Brain Dysfunction Prediction Model
• Title（参考訳）: MANDARIN:急性脳機能障害予測モデルの開発と妥当性の検討
• Authors: Miguel Contreras, Jessica Sena, Andrea Davidson, Jiaqing Zhang, Tezcan Ozrazgat-Baslanti, Yuanfang Ren, Ziyuan Guan, Jeremy Balch, Tyler Loftus, Subhash Nerella, Azra Bihorac, Parisa Rashidi,
• Abstract要約: 急性脳機能障害 (ABD) は、重篤なICU合併症であり、デリリウムまたはコマとして現れる。 グラスゴー・コマ・スケール(GCS)、コンフュージョン・アセスメント・メソッド(CAM)、リッチモンド・アシエーション・セシエーション・スケール(RASS)といった従来のスクリーニングツールは、断続的なアセスメントに依存している。 ICU患者におけるABDをリアルタイムに予測するためのMANDARIN (Mixture-of-Experts Framework for Dynamic Delirium and Coma Prediction for ICU patients)を提案する。
• 参考スコア（独自算出の注目度）: 1.3900965404125638
• License:
• Abstract: Acute brain dysfunction (ABD) is a common, severe ICU complication, presenting as delirium or coma and leading to prolonged stays, increased mortality, and cognitive decline. Traditional screening tools like the Glasgow Coma Scale (GCS), Confusion Assessment Method (CAM), and Richmond Agitation-Sedation Scale (RASS) rely on intermittent assessments, causing delays and inconsistencies. In this study, we propose MANDARIN (Mixture-of-Experts Framework for Dynamic Delirium and Coma Prediction in ICU Patients), a 1.5M-parameter mixture-of-experts neural network to predict ABD in real-time among ICU patients. The model integrates temporal and static data from the ICU to predict the brain status in the next 12 to 72 hours, using a multi-branch approach to account for current brain status. The MANDARIN model was trained on data from 92,734 patients (132,997 ICU admissions) from 2 hospitals between 2008-2019 and validated externally on data from 11,719 patients (14,519 ICU admissions) from 15 hospitals and prospectively on data from 304 patients (503 ICU admissions) from one hospital in 2021-2024. Three datasets were used: the University of Florida Health (UFH) dataset, the electronic ICU Collaborative Research Database (eICU), and the Medical Information Mart for Intensive Care (MIMIC)-IV dataset. MANDARIN significantly outperforms the baseline neurological assessment scores (GCS, CAM, and RASS) for delirium prediction in both external (AUROC 75.5% CI: 74.2%-76.8% vs 68.3% CI: 66.9%-69.5%) and prospective (AUROC 82.0% CI: 74.8%-89.2% vs 72.7% CI: 65.5%-81.0%) cohorts, as well as for coma prediction (external AUROC 87.3% CI: 85.9%-89.0% vs 72.8% CI: 70.6%-74.9%, and prospective AUROC 93.4% CI: 88.5%-97.9% vs 67.7% CI: 57.7%-76.8%) with a 12-hour lead time. This tool has the potential to assist clinicians in decision-making by continuously monitoring the brain status of patients in the ICU.
• Abstract（参考訳）: 急性脳機能障害 (ABD) は、重篤なICU合併症であり、デリリウムまたはコマとして現れ、長期滞在、死亡率の上昇、認知機能低下につながる。 グラスゴー・コマ・スケール(GCS)、コンフュージョン・アセスメント・メソッド(CAM)、リッチモンド・アサイテーション・セシエーション・スケール(RASS)といった従来のスクリーニングツールは断続的な評価に依存しており、遅延や矛盾の原因となっている。 本研究では, 1.5Mパラメータ混合ニューラルネットワークであるMANDARIN(Mixture-of-Experts Framework for Dynamic Delirium and Coma Prediction for ICU patients)を提案する。 このモデルは、ICUの時間的データと静的データを統合して、次の12～72時間で脳の状態を予測する。 MANDARINモデルは,2008～2019年の2つの病院の92,734人 (132,997 ICU入院) からのデータに基づいて訓練され,2021～2024年の1つの病院の11,719人 (14,519 ICU入院) からのデータと,304人 (503 ICU入院) からのデータに基づいて前向きにトレーニングされた。 フロリダ大学ヘルス(UFH)データセット、電子ICU(Electronic ICU Collaborative Research Database)データセット、MIMIC(Medicical Information Mart for Intensive Care)-IVデータセットの3つのデータセットが使用された。 MANDARINは、外部(AUROC 75.5% CI: 74.2%-76.8% vs 68.3% CI: 66.9%-69.5%)と近視的(AUROC 82.0% CI: 74.8%-89.2% vs 72.7% CI: 65.5%-81.0%)のコホート、およびコンタ予測(外部AUROC 87.3% CI: 85.9%-89.0% vs 72.8% CI: 70.6%-74.9%、近視的AUROC 93.4% vs 88.5%-97.7% CI: 67.7% CI: 57.7%)のデリリウム予測において、基礎的な神経学的評価スコア(GCS, CAM, RASS)を著しく上回っている。 このツールは、ICU患者の脳状態を継続的に監視することで、臨床医の意思決定を支援する可能性がある。

関連論文リスト

• DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
  デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。 3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T18:56:31Z)
• 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)
• A multi-cohort study on prediction of acute brain dysfunction states using selective state space models [12.0129301272171]
  急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。 本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。 既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。 ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-11T22:58:11Z)
• APRICOT-Mamba: Acuity Prediction in Intensive Care Unit (ICU): Development and Validation of a Stability, Transitions, and Life-Sustaining Therapies Prediction Model [12.370938858314911]
  集中治療室(ICU)の患者の体力状態は、すぐに安定して不安定になる。 早期の劣化状態の検出は、タイムリーな介入と生存率の改善をもたらす可能性がある。 Intensive Care Unit-MambaにおけるAPRICOT-M(Acuity Prediction in Intensive Care Unit-Mamba)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T16:52:27Z)
• Computable Phenotypes to Characterize Changing Patient Brain Dysfunction in the Intensive Care Unit [0.0]
  米国では、毎年500万人以上の患者がICUに入院しており、ICUの死亡率は10%-29%、費用は820億ドルである。 本研究の目的は、急性脳機能障害状態に対する自動計算可能な表現型を開発することである。
  論文  参考訳（メタデータ） (2023-03-09T18:55:19Z)
• Deep Learning Approach to Predict Hemorrhage in Moyamoya Disease [4.262366651054988]
  本研究の目的は,モヤモヤ病の出血を予測するための3つの機械学習分類アルゴリズムを開発することである。 提案したANNフレームワークは成人MDD患者の出血の可能性を予測するための有効なツールとなる可能性がある。
  論文  参考訳（メタデータ） (2023-02-01T02:40:00Z)
• 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)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• 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)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)

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。