論文の概要: Early Prediction of In-Hospital ICU Mortality Using Innovative First-Day Data: A Review

• arxiv url: http://arxiv.org/abs/2505.12344v1
• Date: Sun, 18 May 2025 10:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.176961
• Title: Early Prediction of In-Hospital ICU Mortality Using Innovative First-Day Data: A Review
• Title（参考訳）: イノベーティブ・ファーストデイデータによる院内ICU死亡率の早期予測
• Authors: Han Wang,
• Abstract要約: ICU入院後24時間以内に院内死亡を早期かつ正確に予測することが重要である。 従来のスコアリングシステムは有用ではあるが、予測精度と適応性に制限があることが多い。
• 参考スコア（独自算出の注目度）: 5.224380092904516
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The intensive care unit (ICU) manages critically ill patients, many of whom face a high risk of mortality. Early and accurate prediction of in-hospital mortality within the first 24 hours of ICU admission is crucial for timely clinical interventions, resource optimization, and improved patient outcomes. Traditional scoring systems, while useful, often have limitations in predictive accuracy and adaptability. Objective: This review aims to systematically evaluate and benchmark innovative methodologies that leverage data available within the first day of ICU admission for predicting in-hospital mortality. We focus on advancements in machine learning, novel biomarker applications, and the integration of diverse data types.
• Abstract（参考訳）: 集中治療室(ICU)は重篤な患者を管理しており、多くは死亡のリスクが高い。 ICU入院後24時間以内の院内死亡の早期かつ正確な予測は、タイムリーな臨床介入、リソース最適化、改善された患者結果に不可欠である。 従来のスコアリングシステムは有用ではあるが、予測精度と適応性に制限があることが多い。 目的: 本研究の目的は, 院内死亡の予測にICU入院初日から利用可能なデータを活用する, 革新的な方法論を体系的に評価し, 評価することである。 我々は、機械学習の進歩、新しいバイオマーカーアプリケーション、および多様なデータ型の統合に焦点を当てている。

関連論文リスト

• Feature-Enhanced Machine Learning for All-Cause Mortality Prediction in Healthcare Data [0.0]
  本研究は,MIMIC-IIIデータベースを用いた全病院死亡予測のための機械学習モデルを評価する。 我々は,バイタルサイン(心拍数,血圧など),実験結果,人口統計情報などの重要な特徴を抽出した。 ランダムフォレストモデルは、AUCの0.94で最高性能を達成し、他の機械学習やディープラーニングのアプローチを著しく上回った。
  論文  参考訳（メタデータ） (2025-03-27T08:04:42Z)
• 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)
• 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)
• XMI-ICU: Explainable Machine Learning Model for Pseudo-Dynamic Prediction of Mortality in the ICU for Heart Attack Patients [3.5475382876263915]
  心臓発作は、米国と世界の死亡率に最も貢献している1つである。 我々は,ICUにおける死亡予測のための新しい擬似力学機械学習フレームワークを開発し,解釈可能性と臨床リスク分析を行った。
  論文  参考訳（メタデータ） (2023-05-10T12:53:18Z)
• Early prediction of the risk of ICU mortality with Deep Federated Learning [0.0]
  我々は,集中治療室の死亡リスクを早期に予測するために,深層連携学習の能力を評価する。 患者の病歴ウィンドウが退院や死亡に近づくと,予測性能が高くなることを示す。
  論文  参考訳（メタデータ） (2022-12-01T15:01:27Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• 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)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• ISeeU2: Visually Interpretable ICU mortality prediction using deep learning and free-text medical notes [0.0]
  そこで本研究では,MIMIC-IIIで訓練した深層学習モデルを用いて,生の看護ノートによる死亡率の予測と,単語の重要性の視覚的説明を行う。 我々のモデルは0.8629のROCに達し、従来のSAPS-IIスコアを上回り、類似のDeep Learningアプローチと比較して高い解釈性を提供する。
  論文  参考訳（メタデータ） (2020-05-19T08:30:34Z)

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。