論文の概要: Machine Learning-Based Model for Postoperative Stroke Prediction in Coronary Artery Disease

• arxiv url: http://arxiv.org/abs/2503.11973v1
• Date: Sat, 15 Mar 2025 02:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:34.266656
• Title: Machine Learning-Based Model for Postoperative Stroke Prediction in Coronary Artery Disease
• Title（参考訳）: 冠動脈疾患における術後ストローク予測のための機械学習モデル
• Authors: Haonan Pan, Shuheng Chen, Elham Pishgar, Kamiar Alaei, Greg Placencia, Maryam Pishgar,
• Abstract要約: 本研究では,術後脳卒中リスクを評価するための高度な機械学習予測モデルを開発し,評価することを目的とする。 データセットには70%のトレーニングと30%のテストがあり、数値は正規化され、カテゴリ変数は1ホットエンコードされた。 ロジスティック回帰、XGBoost、SVM、CatBoostは予測モデルに使われ、SHAP分析は各変数のストロークリスクを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Coronary artery disease remains one of the leading causes of mortality globally. Despite advances in revascularization treatments like PCI and CABG, postoperative stroke is inevitable. This study aims to develop and evaluate a sophisticated machine learning prediction model to assess postoperative stroke risk in coronary revascularization patients.This research employed data from the MIMIC-IV database, consisting of a cohort of 7023 individuals. Study data included clinical, laboratory, and comorbidity variables. To reduce multicollinearity, variables with over 30% missing values and features with a correlation coefficient larger than 0.9 were deleted. The dataset has 70% training and 30% test. The Random Forest technique interpolated residual dataset missing values. Numerical values were normalized, whereas categorical variables were one-hot encoded. LASSO regularization selected features, and grid search found model hyperparameters. Finally, Logistic Regression, XGBoost, SVM, and CatBoost were employed for predictive modeling, and SHAP analysis assessed stroke risk for each variable. AUC of 0.855 (0.829-0.878) showed that SVM model outperformed logistic regression and CatBoost models in prior research. SHAP research showed that the Charlson Comorbidity Index (CCI), diabetes, chronic kidney disease, and heart failure are significant prognostic factors for postoperative stroke. This study shows that improved machine learning reduces overfitting and improves model predictive accuracy. Models using the CCI alone cannot predict postoperative stroke risk as accurately as those using independent comorbidity variables. The suggested technique provides a more thorough and individualized risk assessment by encompassing a wider range of clinically relevant characteristics, making it a better reference for preoperative risk assessments and targeted intervention.
• Abstract（参考訳）: 冠状動脈疾患はいまだに世界的死亡の原因の1つだ。 PCIやCABGのような再血管柄付き治療の進歩にもかかわらず、術後の脳卒中は避けられない。 本研究は, 冠動脈再血行再建患者の術後脳卒中リスクを評価するための高度な機械学習予測モデルの開発と評価を目的として, 7023人のコホートからなるMIMIC-IVデータベースのデータを用いた。 研究データには臨床、実験室、共生変数が含まれていた。 多重線形性を低減するために、30%以上の欠落値と0.9以上の相関係数を持つ特徴を持つ変数が削除された。 データセットには70%のトレーニングと30%のテストがある。 ランダムフォレスト法は残留データセットの欠落を補間した。 数値は正規化され、分類変数は1ホットエンコードされた。 LASSO正則化が選択され、グリッドサーチによりモデルハイパーパラメータが発見された。 最後に、予測モデルにロジスティック回帰、XGBoost、SVM、CatBoostを用い、SHAP分析により各変数のストロークリスクを評価した。 AUC of 0.855 (0.829-0.878) は、SVMモデルが以前の研究でロジスティック回帰とCatBoostモデルより優れていたことを示した。 SHAPによる研究によると、Charlson Comorbidity Index(CCI)、糖尿病、慢性腎臓病、心不全が術後脳卒中の重要な予後因子であることがわかった。 本研究は、機械学習の改善が過度な適合を減らし、モデル予測精度を向上させることを示す。 CCIのみを用いたモデルでは, 術後の脳卒中リスクは, 独立したコンコビディティ変数を用いたモデルほど正確には予測できない。 提案手法は,より広範な臨床関連特性を包含することにより,より徹底した個別化されたリスク評価を提供する。

関連論文リスト

• Advancements In Heart Disease Prediction: A Machine Learning Approach For Early Detection And Risk Assessment [0.0]
  本稿では,臨床データを用いた心疾患のリスク予測における機械学習モデルの役割,関連性,効率性を理解し,評価し,分析する。 Support Vector Machine (SVM) は91.51%の精度を示し、予測能力の観点から評価されたモデル間にその優位性を確認している。
  論文  参考訳（メタデータ） (2024-10-16T22:32:19Z)
• 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)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Deep Learning for Predicting Progression of Patellofemoral Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and Symptomatic Assessments [1.1549572298362785]
  本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。 PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。 年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
  論文  参考訳（メタデータ） (2023-05-10T06:43:33Z)
• 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)
• Performance of multilabel machine learning models and risk stratification schemas for predicting stroke and bleeding risk in patients with non-valvular atrial fibrillation [22.45448597986172]
  マルチラベル勾配押し上げ機は、脳卒中、大出血、死亡に最適な識別力を与えた。 モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。
  論文  参考訳（メタデータ） (2022-02-02T15:15:03Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• 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)
• A Physiology-Driven Computational Model for Post-Cardiac Arrest Outcome Prediction [0.7930054475711718]
  本研究の目的は,CA後の結果を予測する計算モデルを構築することである。 我々は、生理的時系列(PTS)データの統合と機械学習(ML)分類器の訓練によりモデル性能を向上させることができると仮定した。 その結果, MLモデルによるCA後予測モデルの有効性が証明され, PTSが短期成績確率を符号化した後のごく初期段階に記録されることが示唆された。
  論文  参考訳（メタデータ） (2020-02-09T07:53:50Z)

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。