論文の概要: Development and Validation of SXI++ LNM Algorithm for Sepsis Prediction

• arxiv url: http://arxiv.org/abs/2505.22840v1
• Date: Wed, 28 May 2025 20:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.52305
• Title: Development and Validation of SXI++ LNM Algorithm for Sepsis Prediction
• Title（参考訳）: セプシス予測のためのSXI++ LNMアルゴリズムの開発と検証
• Authors: Dharambir Mahto, Prashant Yadav, Mahesh Banavar, Jim Keany, Alan T Joseph, Srinivas Kilambi,
• Abstract要約: セプシスは全世界で4890万人以上が死亡し、毎年1100万人が死亡している。 SXI++ LNMは、複数のアルゴリズムとディープニューラルネットワークを活用することでセシス予測を洗練する機械学習スコアシステムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sepsis is a life-threatening condition affecting over 48.9 million people globally and causing 11 million deaths annually. Despite medical advancements, predicting sepsis remains a challenge due to non-specific symptoms and complex pathophysiology. The SXI++ LNM is a machine learning scoring system that refines sepsis prediction by leveraging multiple algorithms and deep neural networks. This study aims to improve robustness in clinical applications and evaluates the predictive performance of the SXI++ LNM for sepsis prediction. The model, utilizing a deep neural network, was trained and tested using multiple scenarios with different dataset distributions. The model's performance was assessed against unseen test data, and accuracy, precision, and area under the curve (AUC) were calculated. THE SXI++ LNM outperformed the state of the art in three use cases, achieving an AUC of 0.99 (95% CI: 0.98-1.00). The model demonstrated a precision of 99.9% (95% CI: 99.8-100.0) and an accuracy of 99.99% (95% CI: 99.98-100.0), maintaining high reliability.
• Abstract（参考訳）: セプシスは全世界で4890万人以上が死亡し、毎年1100万人が死亡している。 医学的な進歩にもかかわらず、非特異的な症状と複雑な病態のために、敗血症を予測することは依然として困難である。 SXI++ LNMは、複数のアルゴリズムとディープニューラルネットワークを活用することでセシス予測を洗練する機械学習スコアシステムである。 本研究の目的は臨床応用におけるロバスト性の向上と敗血症予測のためのSXI++ LNMの予測性能を評価することである。 このモデルは、ディープニューラルネットワークを利用して、異なるデータセット分布を持つ複数のシナリオを使用してトレーニングされ、テストされた。 モデルの性能を未確認のテストデータから評価し, 曲線(AUC)の精度, 精度, 面積を算出した。 SXI++ LNMは最先端の3つのユースケースで性能を上回り、AUCは0.99(95% CI: 0.98-1.00)に達した。 このモデルは99.9%の精度(95% CI: 99.8-100.0)と99.99%の精度(95% CI: 99.98-100.0)を示し、高い信頼性を維持した。

関連論文リスト

• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  セプシスはアメリカ合衆国と世界中で多くの死者を負う重篤な状態である。 機械学習を用いたこれまでの研究では、特徴選択とモデル解釈可能性に制限があった。 本研究は,院内敗血症死亡率を予測するための,解釈可能かつ正確な機械学習モデルを開発することを目的とした。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• 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)
• Advanced Meta-Ensemble Machine Learning Models for Early and Accurate Sepsis Prediction to Improve Patient Outcomes [0.0]
  本報告では, 全身性炎症性反応症候群, 早期警戒スコア, クイックシークエンシャル臓器不全評価など, 従来の敗血症スクリーニングツールの限界について検討する。 本稿では,機械学習技術 - ランダムフォレスト, エクストリームグラディエントブースティング, 決定木モデル - を用いて, セプシスの発症を予測することを提案する。 本研究は,これらのモデルについて,精度,精度,リコール,F1スコア,受信器動作特性曲線の下での領域といった重要な指標を用いて,個別かつ組み合わせたメタアンサンブルアプローチで評価する。
  論文  参考訳（メタデータ） (2024-07-11T00:51:32Z)
• Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
  重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。 本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。 LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
  論文  参考訳（メタデータ） (2024-03-28T12:11:29Z)
• Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission [9.719996519981333]
  コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。 症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。 C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
  論文  参考訳（メタデータ） (2024-03-04T10:46:02Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。