論文の概要: Bridging Data Gaps of Rare Conditions in ICU: A Multi-Disease Adaptation Approach for Clinical Prediction

• arxiv url: http://arxiv.org/abs/2507.06432v1
• Date: Tue, 08 Jul 2025 22:27:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.408355
• Title: Bridging Data Gaps of Rare Conditions in ICU: A Multi-Disease Adaptation Approach for Clinical Prediction
• Title（参考訳）: ICUにおける希少条件のブリッジデータギャップ:臨床予測のための多値適応アプローチ
• Authors: Mingcheng Zhu, Yu Liu, Zhiyao Luo, Tingting Zhu,
• Abstract要約: KnowRareは、ICUの稀な状態に対する臨床結果を予測するための、ドメイン適応に基づくディープラーニングフレームワークである。 自己指導型事前トレーニングを通じて、さまざまな電子健康記録から条件に依存しない表現を学習することで、データの不足を軽減します。 KnowRareは、既存の最先端モデルを一貫して上回った。
• 参考スコア（独自算出の注目度）: 5.349025367332544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence has revolutionised critical care for common conditions. Yet, rare conditions in the intensive care unit (ICU), including recognised rare diseases and low-prevalence conditions in the ICU, remain underserved due to data scarcity and intra-condition heterogeneity. To bridge such gaps, we developed KnowRare, a domain adaptation-based deep learning framework for predicting clinical outcomes for rare conditions in the ICU. KnowRare mitigates data scarcity by initially learning condition-agnostic representations from diverse electronic health records through self-supervised pre-training. It addresses intra-condition heterogeneity by selectively adapting knowledge from clinically similar conditions with a developed condition knowledge graph. Evaluated on two ICU datasets across five clinical prediction tasks (90-day mortality, 30-day readmission, ICU mortality, remaining length of stay, and phenotyping), KnowRare consistently outperformed existing state-of-the-art models. Additionally, KnowRare demonstrated superior predictive performance compared to established ICU scoring systems, including APACHE IV and IV-a. Case studies further demonstrated KnowRare's flexibility in adapting its parameters to accommodate dataset-specific and task-specific characteristics, its generalisation to common conditions under limited data scenarios, and its rationality in selecting source conditions. These findings highlight KnowRare's potential as a robust and practical solution for supporting clinical decision-making and improving care for rare conditions in the ICU.
• Abstract（参考訳）: 人工知能は共通の状況に対する重要なケアに革命をもたらした。 しかし,ICU (Intensive care Unit, ICU) では, 診断された稀な疾患やICU (ICU) の低頻度状態を含む稀な疾患は, データ不足と条件内不均一性により保存されていない。 このようなギャップを埋めるため,ドメイン適応型ディープラーニングフレームワークであるKnowRareを開発した。 KnowRareは、自己教師付き事前トレーニングを通じて、さまざまな電子健康記録から条件に依存しない表現を学習することで、データの不足を軽減します。 臨床に類似した条件から知識を選択的に適応させることにより、条件内不均一性に対処する。 臨床予測タスク(90日間の死亡、30日間の寛解、ICU死亡、滞在期間の延長、表現型化)の2つのICUデータセットを評価することで、KnowRareは既存の最先端モデルよりも一貫して優れています。 さらに、KnowRareは、APACHE IVやIV-aを含む既存のICUスコアシステムよりも優れた予測性能を示した。 ケーススタディでは、データセット固有の特徴やタスク固有の特徴に対応するためにパラメータを適用する際のKnowRareの柔軟性、限られたデータシナリオ下での共通条件への一般化、ソース条件の選択における合理性をさらに実証した。 以上の結果から,ICUにおける臨床的意思決定と医療改善のための堅牢で実践的なソリューションとしてのKnowRareの可能性が浮き彫りとなった。

関連論文リスト

• 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)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• Identifying TBI Physiological States by Clustering Multivariate Clinical Time-Series Data [8.487912181381404]
  SLAC-Timeは、イミューテーションやアグリゲーションを回避してデータの整合性を維持する革新的なセルフスーパービジョンベースのアプローチである。 大規模な研究データセットにSLAC-Timeを用いてデータをクラスタリングすることにより,3つの異なるTBI生理状態が同定された。
  論文  参考訳（メタデータ） (2023-03-23T04:16:00Z)
• Predicting Clinical Deterioration in Hospitals [0.8329456268842225]
  電子カルテに機械学習を適用し,患者が臨床劣化のリスクがあるかどうかを推定する。 成功すれば、病院は我々のアプローチを既存のITシステムに統合し、モデルによって生成されたアラートを使用して、ICU転送、心停止、または死を防ぐことができる。
  論文  参考訳（メタデータ） (2021-02-11T06:03:36Z)
• 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)
• CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic for Interpretable Prognosis [20.701122594508675]
  新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。 CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。 実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
  論文  参考訳（メタデータ） (2020-07-17T09:20:56Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。