論文の概要: Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data

• arxiv url: http://arxiv.org/abs/2506.03209v1
• Date: Mon, 02 Jun 2025 22:53:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:13.949131
• Title: Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data
• Title（参考訳）: 高齢者SICU患者の術後ストローク予測 : MIMICデータを用いた解釈可能な機械学習モデル
• Authors: Tinghuan Li, Shuheng Chen, Junyi Fan, Elham Pishgar, Kamiar Alaei, Greg Placencia, Maryam Pishgar,
• Abstract要約: 高齢者集中治療室(SICU)患者における術後脳卒中は重要な合併症である。 我々はMIMIC-IIIデータベースとMIMIC-IVデータベースから19,085名の高齢者SICU入院を併用したコホートを構築した。 最初の24時間集中治療室滞在からの臨床データを用いて,院内脳卒中を予測するための解釈可能な機械学習フレームワークを開発した。
• 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: Postoperative stroke remains a critical complication in elderly surgical intensive care unit (SICU) patients, contributing to prolonged hospitalization, elevated healthcare costs, and increased mortality. Accurate early risk stratification is essential to enable timely intervention and improve clinical outcomes. We constructed a combined cohort of 19,085 elderly SICU admissions from the MIMIC-III and MIMIC-IV databases and developed an interpretable machine learning (ML) framework to predict in-hospital stroke using clinical data from the first 24 hours of Intensive Care Unit (ICU) stay. The preprocessing pipeline included removal of high-missingness features, iterative Singular Value Decomposition (SVD) imputation, z-score normalization, one-hot encoding, and class imbalance correction via the Adaptive Synthetic Sampling (ADASYN) algorithm. A two-stage feature selection process-combining Recursive Feature Elimination with Cross-Validation (RFECV) and SHapley Additive exPlanations (SHAP)-reduced the initial 80 variables to 20 clinically informative predictors. Among eight ML models evaluated, CatBoost achieved the best performance with an AUROC of 0.8868 (95% CI: 0.8802--0.8937). SHAP analysis and ablation studies identified prior cerebrovascular disease, serum creatinine, and systolic blood pressure as the most influential risk factors. Our results highlight the potential of interpretable ML approaches to support early detection of postoperative stroke and inform decision-making in perioperative critical care.
• Abstract（参考訳）: 術後脳卒中は高齢者の集中治療室 (SICU) 患者にとって重要な合併症であり, 長期入院, 医療費の上昇, 死亡率の増加に寄与している。 正確な早期リスク階層化は、タイムリーな介入を可能にし、臨床結果を改善するために不可欠である。 本研究は,MIMIC-IIIおよびMIMIC-IVデータベースから19,085名の高齢者SICU入院者を対象としたコホートを構築し,最初の24時間集中治療室(ICU)滞在時の臨床データを用いて,院内脳卒中を予測するための解釈可能な機械学習(ML)フレームワークを開発した。 前処理パイプラインには、高可視性特徴の除去、反復特異値分解(SVD)計算、zスコア正規化、ワンホット符号化、Adaptive Synthetic Sampling (ADASYN)アルゴリズムによるクラス不均衡補正が含まれていた。 Recursive Feature Elimination with Cross-Validation (RFECV) とSHAP (SHAP) を併用した2段階の特徴選択プロセスにより,初期80変数を20の臨床的に有意な予測因子に還元した。 評価された8つのMLモデルの中で、CatBoostはAUROCの0.8868(95% CI: 0.8802--0.8937)で最高のパフォーマンスを達成した。 SHAP分析およびアブレーション研究により、前脳血管疾患、血清クレアチニン、収縮期血圧が最も影響のある危険因子として同定された。 術後脳卒中早期発見と周術期クリティカルケアの意思決定を支援するMLアプローチの可能性について検討した。

関連論文リスト

• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Machine Learning-Based Prediction of ICU Mortality in Sepsis-Associated Acute Kidney Injury Patients Using MIMIC-IV Database with Validation from eICU Database [0.0]
  Sepsis-Associated acute Kidney Injury (SA-AKI) は集中治療において高い死亡率をもたらす。 本研究では,SA-AKI患者のICU死亡率を予測する機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-02-25T08:49:22Z)
• A Novel Generative Multi-Task Representation Learning Approach for Predicting Postoperative Complications in Cardiac Surgery Patients [7.42249589630227]
  機械学習は、術後合併症に対する患者のリスクを特定し、予測するために利用することができる。 新規な手術用変分オートエンコーダを用いて術後合併症の予測と評価を行った。 surgVAEは、クロスタスクとクロスコホートプレゼンテーション学習を通じて固有のパターンを明らかにする。
  論文  参考訳（メタデータ） (2024-12-02T20:24:02Z)
• 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)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks [33.51490233427579]
  手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。 最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。 予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
  論文  参考訳（メタデータ） (2023-04-18T10:14:45Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)

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。