論文の概要: Interpretable phenotyping of Heart Failure patients with Dutch discharge letters

• arxiv url: http://arxiv.org/abs/2505.24619v1
• Date: Fri, 30 May 2025 14:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.988663
• Title: Interpretable phenotyping of Heart Failure patients with Dutch discharge letters
• Title（参考訳）: オランダ語放電文字による心不全患者の解釈型表現型化
• Authors: Vittorio Torri, Machteld J. Boonstra, Marielle C. van de Veerdonk, Deborah N. Kalkman, Alicia Uijl, Francesca Ieva, Ameen Abu-Hanna, Folkert W. Asselbergs, Iacer Calixto,
• Abstract要約: 本研究は左室エジェクション分画(LVEF)に基づく表現型心不全(HF)患者のモデルについて検討した。 この研究は、2015年から2023年までアムステルダムUMC病院(AMCとVUmc)におけるすべてのHF入院を分析した。
• 参考スコア（独自算出の注目度）: 1.8222262184538098
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective: Heart failure (HF) patients present with diverse phenotypes affecting treatment and prognosis. This study evaluates models for phenotyping HF patients based on left ventricular ejection fraction (LVEF) classes, using structured and unstructured data, assessing performance and interpretability. Materials and Methods: The study analyzes all HF hospitalizations at both Amsterdam UMC hospitals (AMC and VUmc) from 2015 to 2023 (33,105 hospitalizations, 16,334 patients). Data from AMC were used for model training, and from VUmc for external validation. The dataset was unlabelled and included tabular clinical measurements and discharge letters. Silver labels for LVEF classes were generated by combining diagnosis codes, echocardiography results, and textual mentions. Gold labels were manually annotated for 300 patients for testing. Multiple Transformer-based (black-box) and Aug-Linear (white-box) models were trained and compared with baselines on structured and unstructured data. To evaluate interpretability, two clinicians annotated 20 discharge letters by highlighting information they considered relevant for LVEF classification. These were compared to SHAP and LIME explanations from black-box models and the inherent explanations of Aug-Linear models. Results: BERT-based and Aug-Linear models, using discharge letters alone, achieved the highest classification results (AUC=0.84 for BERT, 0.81 for Aug-Linear on external validation), outperforming baselines. Aug-Linear explanations aligned more closely with clinicians' explanations than post-hoc explanations on black-box models. Conclusions: Discharge letters emerged as the most informative source for phenotyping HF patients. Aug-Linear models matched black-box performance while providing clinician-aligned interpretability, supporting their use in transparent clinical decision-making.
• Abstract（参考訳）: 目的: 心不全(HF)患者は, 治療や予後に影響を及ぼす多彩な表現型を呈する。 本研究は,左室排出率(LVEF)クラスに基づくHF患者の表現表現モデルについて,構造化データと非構造化データを用いて評価し,評価と解釈可能性について検討した。 材料と方法:2015年から2023年までのアムステルダムUMC病院(AMCとVUmc)のHF入院状況(33,105件、患者16,334件)を分析した。 AMCのデータはモデルトレーニングに、VUmcのデータは外部検証に使用された。 データセットにはラベルがなく、表型の臨床測定と退院状が含まれていた。 LVEFクラス用の銀ラベルは診断コード、心エコー検査結果、テキスト参照を組み合わせることで生成した。 ゴールドラベルは検査のために300人の患者に手動でアノテートされた。 複数のトランスフォーマーベース(ブラックボックス)とAug-Linearモデル(ホワイトボックス)をトレーニングし、構造化データと非構造化データのベースラインと比較した。 解釈可能性を評価するため,2名の臨床医がLVEF分類に関連すると思われる情報を強調し,20通の退院状を注釈した。 これらは、ブラックボックスモデルによるSHAPやLIMEの説明やアウグ・リニアモデル固有の説明と比較された。 結果: BERTをベースとしたAug-Linearモデルと、放電文字のみを用いたAug-Linearモデルは、最も高い分類結果(BERTはAUC=0.84、外部検証はAug-Linear 0.81)を達成し、ベースラインを上回った。 Aug-Linearの説明は、ブラックボックスモデルに関するポストホックな説明よりも、臨床医の説明と密接に一致している。 結論: 発声文字はHF患者を表現するための最も情報的な情報源として出現した。 Aug-Linearモデルは、クリニカルアラインな解釈性を提供しながら、ブラックボックスのパフォーマンスと一致し、透明な臨床的意思決定におけるそれらの使用をサポートする。

関連論文リスト

• Contrastive Learning with Counterfactual Explanations for Radiology Report Generation [83.30609465252441]
  放射線学レポート生成のためのtextbfCountertextbfFactual textbfExplanations-based framework (CoFE) を提案する。 反現実的な説明は、アルゴリズムによってなされた決定をどのように変えられるかを理解するための強力なツールとして、シナリオが何であるかを問うことによって役立ちます。 2つのベンチマークの実験では、反ファクト的な説明を活用することで、CoFEは意味的に一貫性があり、事実的に完全なレポートを生成することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:24:25Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Analysis of a Deep Learning Model for 12-Lead ECG Classification Reveals Learned Features Similar to Diagnostic Criteria [1.055404869921767]
  12誘導心電図分類のための訓練済みディープニューラルネットワーク(DNN)に属性法を適用した。 我々は、公開データセットからデータを分類し、帰属法は、分類された各信号のサンプルに「関連スコア」を割り当てる。
  論文  参考訳（メタデータ） (2022-11-03T12:07:00Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• Prediction of drug effectiveness in rheumatoid arthritis patients based on machine learning algorithms [2.5759046095742453]
  慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。 機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。 本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
  論文  参考訳（メタデータ） (2022-10-14T15:15:37Z)
• Assessing mortality prediction through different representation models based on concepts extracted from clinical notes [2.707154152696381]
  埋め込みの学習は、音符をそれに匹敵する形式に変換する方法である。 トランスフォーマーベースの表現モデルは、最近大きな飛躍を遂げた。 病院死亡予測の課題において,学習した埋め込みベクターの有用性を評価する実験を行った。
  論文  参考訳（メタデータ） (2022-07-22T04:34:33Z)
• Hybrid deep learning methods for phenotype prediction from clinical notes [4.866431869728018]
  本稿では,自然言語処理とディープラーニングモデルを用いて,患者表現型を自動的に抽出するハイブリッドモデルを提案する。 提案したハイブリッドモデルは,患者の退院報告における表現型を特定するために,ニューラル双方向シーケンスモデル(BiLSTMまたはBiGRU)と畳み込みニューラルネットワーク(CNN)に基づいている。
  論文  参考訳（メタデータ） (2021-08-16T05:57:28Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。