論文の概要: A Transformer-based survival model for prediction of all-cause mortality in heart failure patients: a multi-cohort study

• arxiv url: http://arxiv.org/abs/2503.12317v1
• Date: Sun, 16 Mar 2025 01:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:50.193199
• Title: A Transformer-based survival model for prediction of all-cause mortality in heart failure patients: a multi-cohort study
• Title（参考訳）: 心不全患者の全死亡予測のためのトランスフォーマーベース生存モデル : マルチコホート研究
• Authors: Shishir Rao, Nouman Ahmed, Gholamreza Salimi-Khorshidi, Christopher Yau, Huimin Su, Nathalie Conrad, Folkert W Asselbergs, Mark Woodward, Rod Jackson, John GF Cleland, Kazem Rahimi,
• Abstract要約: 心不全患者の36カ月の死亡を予測できるトランスフォーマーベースのAIモデルであるTRiskを開発した。 英国では1,418例の心不全403,534例(40～90歳)について検討した。
• 参考スコア（独自算出の注目度）: 5.831730826863567
• License:
• Abstract: We developed and validated TRisk, a Transformer-based AI model predicting 36-month mortality in heart failure patients by analysing temporal patient journeys from UK electronic health records (EHR). Our study included 403,534 heart failure patients (ages 40-90) from 1,418 English general practices, with 1,063 practices for model derivation and 355 for external validation. TRisk was compared against the MAGGIC-EHR model across various patient subgroups. With median follow-up of 9 months, TRisk achieved a concordance index of 0.845 (95% confidence interval: [0.841, 0.849]), significantly outperforming MAGGIC-EHR's 0.728 (0.723, 0.733) for predicting 36-month all-cause mortality. TRisk showed more consistent performance across sex, age, and baseline characteristics, suggesting less bias. We successfully adapted TRisk to US hospital data through transfer learning, achieving a C-index of 0.802 (0.789, 0.816) with 21,767 patients. Explainability analyses revealed TRisk captured established risk factors while identifying underappreciated predictors like cancers and hepatic failure that were important across both cohorts. Notably, cancers maintained strong prognostic value even a decade after diagnosis. TRisk demonstrated well-calibrated mortality prediction across both healthcare systems. Our findings highlight the value of tracking longitudinal health profiles and revealed risk factors not included in previous expert-driven models.
• Abstract（参考訳）: 我々は、TRiskを開発した。TRiskは、英国電子健康記録(EHR)から経時的患者の経過を分析し、心不全患者の36カ月の死亡を予測できるトランスフォーマーベースのAIモデルである。 英国では1,418例の心不全患者403,534例(40-90歳)に対し,モデル導出は1,063例,外的妥当性は355例であった。 TRiskは様々なサブグループでMAGGIC-EHRモデルと比較された。 9ヶ月の追跡では、TRiskは0.845(95%信頼区間:[0.841, 0.849])の一致指数を達成し、MAGGIC-EHRの0.728(0.723, 0.733)を著しく上回った。 TRiskは、性別、年齢、基準特性でより一貫したパフォーマンスを示し、バイアスが少なかったことを示唆した。 21,767人の患者のC-インデックス0.802 (0.789, 0.816) を達成し, TRisk を米国病院データに適用した。 説明可能性分析の結果、TRiskは確立されたリスクファクターを捕捉し、両方のコホートで重要ながんや肝不全などの未承認の予測因子を特定した。 特に癌は診断後10年も強い予後を保った。 TRiskは、両方の医療システムでよく校正された死亡予測を示した。 以上の結果から,従来の専門家主導モデルには含まれないリスク因子が示唆された。

関連論文リスト

• 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)
• 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)
• 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)
• Predicting adverse outcomes following catheter ablation treatment for atrial fibrillation [2.202746751854349]
  AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。 伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
  論文  参考訳（メタデータ） (2022-11-22T02:55:51Z)
• Interpretable estimation of the risk of heart failure hospitalization from a 30-second electrocardiogram [2.167398752829277]
  本研究は,30秒の単心電図信号で心不全の入院を推定できることを示唆する。 機械学習アプローチを使用することで、予測能力が向上するだけでなく、臨床的に意味のある解釈も得られる。
  論文  参考訳（メタデータ） (2022-11-02T01:53:07Z)
• Electrocardiographic Deep Learning for Predicting Post-Procedural Mortality [9.192239774090208]
  深層学習アルゴリズムは、術前の心電図からの波形信号を利用して術後の死亡を判別するために開発された。 深層学習モデルのリスク予測によって高いリスクと判断された患者は、術後死亡率8.83(5.57-13.20)の未調整オッズ比(OR)を持っていた。 新たな深層学習アルゴリズムが術前の心電図に適用されたことにより,術後の死亡率の識別が向上することを示す。
  論文  参考訳（メタデータ） (2022-04-30T05:14:53Z)
• An explainable Transformer-based deep learning model for the prediction of incident heart failure [22.513476932615845]
  100,071例の心不全予後予測のための新しいTransformerディープラーニングモデルを開発した。 このモデルは、レシーバーオペレーター曲線で 0.93 と 0.93 の領域、精度-リコール曲線で 0.69 と 0.70 の領域を達成した。 文脈化医療情報の重要さは感度分析において明らかにされた。
  論文  参考訳（メタデータ） (2021-01-27T12:45:15Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。