論文の概要: Severity Classification of Chronic Obstructive Pulmonary Disease in Intensive Care Units: A Semi-Supervised Approach Using MIMIC-III Dataset

• arxiv url: http://arxiv.org/abs/2504.18593v1
• Date: Thu, 24 Apr 2025 09:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.899971
• Title: Severity Classification of Chronic Obstructive Pulmonary Disease in Intensive Care Units: A Semi-Supervised Approach Using MIMIC-III Dataset
• Title（参考訳）: 集中治療室における慢性閉塞性肺疾患の重症度分類:MIMIC-IIIデータセットを用いた半監督的アプローチ
• Authors: Akram Shojaei, Mehdi Delrobaei,
• Abstract要約: 慢性閉塞性肺疾患(COPD)は、世界的な健康上の重荷となっている。 本研究では, COPD重大度分類のための革新的な機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Chronic obstructive pulmonary disease (COPD) represents a significant global health burden, where precise severity assessment is particularly critical for effective clinical management in intensive care unit (ICU) settings. This study introduces an innovative machine learning framework for COPD severity classification utilizing the MIMIC-III critical care database, thereby expanding the applications of artificial intelligence in critical care medicine. Our research developed a robust classification model incorporating key ICU parameters such as blood gas measurements and vital signs, while implementing semi-supervised learning techniques to effectively utilize unlabeled data and enhance model performance. The random forest classifier emerged as particularly effective, demonstrating exceptional discriminative capability with 92.51% accuracy and 0.98 ROC AUC in differentiating between mild-to-moderate and severe COPD cases. This machine learning approach provides clinicians with a practical, accurate, and efficient tool for rapid COPD severity evaluation in ICU environments, with significant potential to improve both clinical decision-making processes and patient outcomes. Future research directions should prioritize external validation across diverse patient populations and integration with clinical decision support systems to optimize COPD management in critical care settings.
• Abstract（参考訳）: 慢性閉塞性肺疾患(COPD)は,集中治療室(ICU)設定において,特に重症度評価が効果的な臨床管理に重要である。 そこで本研究では,MIMIC-III クリティカルケアデータベースを用いた COPD 重度分類のための革新的な機械学習フレームワークを提案する。 本研究は,血液ガス測定やバイタルサインなどの重要なICUパラメータを組み込んだロバストな分類モデルを構築し,未ラベルデータを有効に活用し,モデル性能を向上させるための半教師付き学習手法を実装した。 ランダム森林分類器は特に有効であり, 92.51%の精度, 0.98 ROC AUC が軽度から重度の COPD 症例の鑑別に有効であった。 この機械学習アプローチは、ICU環境におけるCOPD重症度を迅速に評価するための実用的で正確かつ効率的なツールを臨床医に提供し、臨床意思決定プロセスと患者結果の両方を改善できる有意義な可能性を秘めている。 今後の研究方針は、多様な患者集団にまたがる外部検証を優先し、臨床意思決定支援システムと統合して、重篤なケア環境における COPD 管理を最適化することである。

関連論文リスト

• Rethinking the Efficiency and Effectiveness of Reinforcement Learning for Radiology Report Generation [43.67582796047454]
  本稿では,データ量と品質が医学的文脈における強化学習(RL)のパフォーマンスに与える影響について論じる。 そこで本研究では,より少ないサンプルで同等の性能を実現する診断的多様性に基づくデータサンプリング戦略を提案する。 本稿では,診断のためのF1スコアを報奨信号として利用することにより,臨床の精度を直接最適化する診断トークン重み付けポリシー最適化(DiTPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-04T12:57:05Z)
• ClinConsensus: A Consensus-Based Benchmark for Evaluating Chinese Medical LLMs across Difficulty Levels [39.33170904610862]
  大規模言語モデル(LLM)は、病気の予防、臨床的意思決定、長期ケアにまたがる約束を示す健康管理にますます応用されている。 ClinConsensusは、臨床専門家がキュレートし、検証し、品質を制御した中国の医療ベンチマークである。 ClinConsensusは、予防と介入から長期フォローアップまで、ケアの全期間にわたる2500件のオープンエンドケースで構成されており、36の専門医、12の共通臨床タスクタイプ、そして徐々に複雑さのレベルが増大している。
  論文  参考訳（メタデータ） (2026-03-02T17:17:18Z)
• Attention-Based Offline Reinforcement Learning and Clustering for Interpretable Sepsis Treatment [0.7209528581296429]
  クラスタリングに基づく成層モジュールは、ICU入院時に患者を低、中、高リスクグループに分類する。 可変オートエンコーダ(VAE)と拡散モデルを活用する合成データ拡張パイプラインは、流体や血管圧剤などの未表現軌跡を豊かにする。 マルチモーダルな大規模言語モデルを用いた合理生成モジュールは、臨床コンテキストに基づく自然言語の正当化を生成する。
  論文  参考訳（メタデータ） (2026-01-20T18:41:44Z)
• A Multimodal Deep Learning Framework for Predicting ICU Deterioration: Integrating ECG Waveforms with Clinical Data and Clinician Benchmarking [1.2938481923855734]
  MDS ICUは、人口統計、バイオメトリックス、バイタルサイン、実験室の値、心電図波形、外科手術、医療機器の使用など、日常的に収集されるデータを融合し、ICU滞在中に継続的な予測支援を提供する統合機械学習フレームワークである。 我々は,心電図波形の構造化状態空間S4エンコーダと多層パーセプトロンRealMLPエンコーダを組み合わせた深層学習アーキテクチャを訓練し,死亡率,臓器機能障害,治療ニーズ,急性劣化の33例を共同で予測した。 分析の結果、予測されたリスクと観測されたリスクの密接な一致を示し、ECG波形統合による一貫した利得を示した。
  論文  参考訳（メタデータ） (2026-01-10T18:11:12Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• Machine Learning-Based Prediction of ICU Readmissions in Intracerebral Hemorrhage Patients: Insights from the MIMIC Databases [0.0]
  脳内出血(英:cerebral hemorrhage、ICH)は、脳内出血を特徴とする生命リスクの病態である。 本研究は,集中治療のための医療情報マート(MIMIC-IIIおよびMIMIC-IV)データベースを用いて,ICU受信リスク予測モデルを開発した。
  論文  参考訳（メタデータ） (2025-01-02T10:19:27Z)
• 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)
• Leveraging Federated Learning for Automatic Detection of Clopidogrel Treatment Failures [0.8132630541462695]
  本研究では,クロピドッグレル処理障害検出のためのフェデレーション学習戦略を活用する。 地理的中心に基づいてデータを分割し,フェデレート学習の性能を評価した。 クロピドッグレル治療障害検出におけるフェデレート学習の可能性について検討した。
  論文  参考訳（メタデータ） (2024-03-05T23:31:07Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• 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 diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• FineEHR: Refine Clinical Note Representations to Improve Mortality Prediction [3.9026461169566673]
  大規模な電子健康記録は、臨床テキストとバイタルサインデータの豊富な機械学習モデルを提供する。 臨床ノート分析のための高度な自然言語処理(NLP)アルゴリズムの出現にもかかわらず、生臨床データに存在する複雑なテキスト構造とノイズは重大な課題となっている。 本稿では,2つの表現学習技術,すなわちメートル法学習と微調整技術を用いて,臨床ノートの埋め込みを洗練させるシステムFINEEHRを提案する。
  論文  参考訳（メタデータ） (2023-04-24T02:42:52Z)
• COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
  患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。 提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。 定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
  論文  参考訳（メタデータ） (2021-09-14T14:16:32Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。