論文の概要: Early Prediction of Sepsis: Feature-Aligned Transfer Learning

• arxiv url: http://arxiv.org/abs/2505.02889v1
• Date: Mon, 05 May 2025 17:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.068815
• Title: Early Prediction of Sepsis: Feature-Aligned Transfer Learning
• Title（参考訳）: セプシスの早期予測:特徴適応型伝達学習
• Authors: Oyindolapo O. Komolafe, Zhimin Mei, David Morales Zarate, Gregory William Spangenberg,
• Abstract要約: セプシス(Sepsis)は、体が感染に対して極度に反応した場合に起こる、生命を脅かす医療疾患である。 現在の診断法は、しばしば大きな損傷が既に発生した後にのみ敗血症を同定する。 本研究の目的は、早期の敗血症を予測する機械学習ベースのシステムを開発することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Sepsis is a life threatening medical condition that occurs when the body has an extreme response to infection, leading to widespread inflammation, organ failure, and potentially death. Because sepsis can worsen rapidly, early detection is critical to saving lives. However, current diagnostic methods often identify sepsis only after significant damage has already occurred. Our project aims to address this challenge by developing a machine learning based system to predict sepsis in its early stages, giving healthcare providers more time to intervene. A major problem with existing models is the wide variability in the patient information or features they use, such as heart rate, temperature, and lab results. This inconsistency makes models difficult to compare and limits their ability to work across different hospitals and settings. To solve this, we propose a method called Feature Aligned Transfer Learning (FATL), which identifies and focuses on the most important and commonly reported features across multiple studies, ensuring the model remains consistent and clinically relevant. Most existing models are trained on narrow patient groups, leading to population bias. FATL addresses this by combining knowledge from models trained on diverse populations, using a weighted approach that reflects each models contribution. This makes the system more generalizable and effective across different patient demographics and clinical environments. FATL offers a practical and scalable solution for early sepsis detection, particularly in hospitals with limited resources, and has the potential to improve patient outcomes, reduce healthcare costs, and support more equitable healthcare delivery.
• Abstract（参考訳）: セプシス(Sepsis)は、体が感染に対して極度に反応し、広範な炎症、臓器不全、潜在的な死に至る、生命を脅かす医療疾患である。 敗血症は急速に悪化するため、早期発見は生命を救うために重要である。 しかし、現在の診断法では、すでに重大な損傷が生じた後にのみ敗血症を診断することが多い。 我々のプロジェクトは、早期に敗血症を予測する機械学習ベースのシステムを開発し、医療提供者が介入する時間を増やすことで、この問題に対処することを目指している。 既存のモデルの大きな問題は、患者の情報や、心拍数、温度、実験結果などの特徴の幅広いばらつきである。 この矛盾により、モデルの比較が難しくなり、異なる病院や設定で作業する能力が制限される。 そこで本研究では,複数の研究において,最も重要かつ一般的に報告される特徴を識別し,焦点を絞ったFATL(Feature Aligned Transfer Learning)を提案する。 既存のモデルのほとんどは狭い患者グループで訓練されており、人口バイアスにつながる。 FATLは、各モデルの貢献を反映した重み付けアプローチを使用して、多様な集団で訓練されたモデルの知識を組み合わせることで、この問題に対処する。 これにより、様々な患者層や臨床環境にまたがって、システムはより一般化され、効果的になる。 FATLは、特に限られたリソースを持つ病院において、早期敗血症検出のための実用的でスケーラブルなソリューションを提供し、患者の成果を改善し、医療費を削減し、より公平な医療提供をサポートする可能性がある。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• NPRL: Nightly Profile Representation Learning for Early Sepsis Onset Prediction in ICU Trauma Patients [5.476582906474746]
  セプシス(Sepsis)は、感染の有無に応じて体内で発症する症候群である。 現在の機械学習アルゴリズムは性能が悪く、早期のセプシスの開始を予測できない。 我々は,前夜に収集した最新のデータを用いて,毎朝の敗血症を予測できる新しい,現実的な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-25T11:27:27Z)
• ALRt: An Active Learning Framework for Irregularly Sampled Temporal Data [1.370633147306388]
  セプシスは病院内の多くの患者に致命的な症状である。 本稿では, 短時間の時間的地平線に対するアクティブラーニング・リカレントニューラルネットワーク(ALRts)の利用により, セプシスなどの不規則な時間的事象の予測を改善することを提案する。 限られたデータに基づいてトレーニングされたアクティブラーニングRNNモデルは、トレーニングデータセット全体を用いたモデルに匹敵する堅牢なセシス予測を形成することができることを示す。
  論文  参考訳（メタデータ） (2022-12-13T04:31:49Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Novel Deep Learning Architecture for Heart Disease Prediction using Convolutional Neural Network [0.0]
  心臓病は、世界中の多くの人々の生活を妨げる最も致命的な病気の1つである。 本稿では,健康な人と非健康な人の分類に1次元畳み込みニューラルネットワークを用いた新しいディープラーニングアーキテクチャを提案する。 提案するネットワークは、データセット上で97%以上のトレーニング精度と96%のテスト精度を達成する。
  論文  参考訳（メタデータ） (2021-05-22T22:00:57Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。