論文の概要: Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2506.15901v1
• Date: Wed, 18 Jun 2025 22:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.871695
• Title: Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach
• Title（参考訳）: 糖尿病および心房細動を有するICU患者の臨床的死亡予測 : 機械学習によるアプローチ
• Authors: Li Sun, Shuheng Chen, Yong Si, Junyi Fan, Maryam Pishgar, Elham Pishgar, Kamiar Alaei, Greg Placencia,
• Abstract要約: 集中治療室(ICU)における糖尿病(DM)と心房細動(AF)の死亡率の上昇 DMとAFを併用したICU患者において,28日間の死亡を予測できる解釈可能な機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 3.5626691568652507
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Patients with both diabetes mellitus (DM) and atrial fibrillation (AF) face elevated mortality in intensive care units (ICUs), yet models targeting this high-risk group remain limited. Objective: To develop an interpretable machine learning (ML) model predicting 28-day mortality in ICU patients with concurrent DM and AF using early-phase clinical data. Methods: A retrospective cohort of 1,535 adult ICU patients with DM and AF was extracted from the MIMIC-IV database. Data preprocessing involved median/mode imputation, z-score normalization, and early temporal feature engineering. A two-step feature selection pipeline-univariate filtering (ANOVA F-test) and Random Forest-based multivariate ranking-yielded 19 interpretable features. Seven ML models were trained with stratified 5-fold cross-validation and SMOTE oversampling. Interpretability was assessed via ablation and Accumulated Local Effects (ALE) analysis. Results: Logistic regression achieved the best performance (AUROC: 0.825; 95% CI: 0.779-0.867), surpassing more complex models. Key predictors included RAS, age, bilirubin, and extubation. ALE plots showed intuitive, non-linear effects such as age-related risk acceleration and bilirubin thresholds. Conclusion: This interpretable ML model offers accurate risk prediction and clinical insights for early ICU triage in patients with DM and AF.
• Abstract（参考訳）: 背景: 糖尿病 (DM) と心房細動 (AF) のどちらの患者も集中治療単位 (ICU) の死亡率の上昇に直面しているが, この高リスクグループをターゲットにしたモデルはまだ限られている。 目的:早期臨床データを用いて,ICU患者28日間の死亡を予測できる解釈可能な機械学習(ML)モデルを開発すること。 方法:MIMIC-IVデータベースから成人ICU1,535例のDMおよびAFの振り返りコホートを抽出した。 データ前処理には中央値/モードの計算、zスコアの正規化、初期の時間的特徴工学が含まれていた。 ANOVA F-test (ANOVA F-test) とランダムフォレストをベースとした多変量ランク付け19の解釈可能な2段階の特徴選択フィルタ。 7つのMLモデルは、階層化された5倍のクロスバリデーションとSMOTEオーバーサンプリングで訓練された。 アブレーションおよび累積局所効果 (ALE) 分析により解釈可能性を評価した。 結果:ロジスティック回帰は、より複雑なモデルを上回る最高の性能(AUROC:0.825; 95% CI: 0.779-0.867)を達成した。 主な予測因子はRAS, 年齢, ビリルビン, エクステンベーションであった。 ALEプロットは年齢関連リスクアクセラレーションやビリルビン閾値などの直感的で非線形な効果を示した。 結論:この解釈可能なMLモデルは,DMおよびAF患者の早期ICUトリアージの正確なリスク予測と臨床所見を提供する。

関連論文リスト

• Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-02T22:53:12Z)
• 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 Model for Postoperative Stroke Prediction in Coronary Artery Disease [0.0]
  本研究では,術後脳卒中リスクを評価するための高度な機械学習予測モデルを開発し,評価することを目的とする。 データセットには70%のトレーニングと30%のテストがあり、数値は正規化され、カテゴリ変数は1ホットエンコードされた。 ロジスティック回帰、XGBoost、SVM、CatBoostは予測モデルに使われ、SHAP分析は各変数のストロークリスクを評価した。
  論文  参考訳（メタデータ） (2025-03-15T02:50:32Z)
• 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)
• 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)
• Pulmonary Embolism Mortality Prediction Using Multimodal Learning Based on Computed Tomography Angiography and Clinical Data [31.830488752817804]
  本研究の目的は,CTPA(CTPA),臨床データ,肺重症度指数(PESI)スコアを用いて深層学習モデルを構築し,PE死亡率を予測することである。
  論文  参考訳（メタデータ） (2024-06-03T13:10:13Z)
• Robust Meta-Model for Predicting the Need for Blood Transfusion in Non-traumatic ICU Patients [10.169599503547134]
  ICU設定での貧血や凝固症管理に不可欠な輸血は、効果的な資源配分と患者のリスク評価の正確な予測を必要とする。 本研究の目的は,多種多様な非外傷性ICU患者に対して,今後24時間にわたって輸血の必要性を予測できる高度な機械学習モデルを開発することである。
  論文  参考訳（メタデータ） (2024-01-01T23:25:48Z)
• Enhanced Mortality Prediction In Patients With Subarachnoid Haemorrhage Using A Deep Learning Model Based On The Initial CT Scan [34.86503928854081]
  畳み込みニューラルネットワーク(CNN)は、画像データから高精度な予測を生成することができる。 本研究の目的は,CNN を用いたCT スキャンにより,下垂体出血患者の死亡率を予測することであった。
  論文  参考訳（メタデータ） (2023-08-25T13:33:56Z)
• 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)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)

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。