論文の概要: Stepwise Fine and Gray: Subject-Specific Variable Selection Shows When Hemodynamic Data Improves Prognostication of Comatose Post-Cardiac Arrest Patients

• arxiv url: http://arxiv.org/abs/2508.06023v1
• Date: Fri, 08 Aug 2025 05:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.085489
• Title: Stepwise Fine and Gray: Subject-Specific Variable Selection Shows When Hemodynamic Data Improves Prognostication of Comatose Post-Cardiac Arrest Patients
• Title（参考訳）: ステップワイドファインとグレー : 血行動態データによる糖尿病後発作患者の予後改善時の主観的変動選択
• Authors: Xiaobin Shen, Jonathan Elmer, George H. Chen,
• Abstract要約: 心停止後のコマトミー患者の予後は、ICUの臨床的意思決定に直接影響を与える重要な課題である。 本稿では、神経学的結果の予測を改善するために、段階的に動的に競合するリスクモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.992677070507323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prognostication for comatose post-cardiac arrest patients is a critical challenge that directly impacts clinical decision-making in the ICU. Clinical information that informs prognostication is collected serially over time. Shortly after cardiac arrest, various time-invariant baseline features are collected (e.g., demographics, cardiac arrest characteristics). After ICU admission, additional features are gathered, including time-varying hemodynamic data (e.g., blood pressure, doses of vasopressor medications). We view these as two phases in which we collect new features. In this study, we propose a novel stepwise dynamic competing risks model that improves the prediction of neurological outcomes by automatically determining when to take advantage of time-invariant features (first phase) and time-varying features (second phase). Notably, our model finds patients for whom this second phase (time-varying hemodynamic) information is beneficial for prognostication and also when this information is beneficial (as we collect more hemodynamic data for a patient over time, how important these data are for prognostication varies). Our approach extends the standard Fine and Gray model to explicitly model the two phases and to incorporate neural networks to flexibly capture complex nonlinear feature relationships. Evaluated on a retrospective cohort of 2,278 comatose post-arrest patients, our model demonstrates robust discriminative performance for the competing outcomes of awakening, withdrawal of life-sustaining therapy, and death despite maximal support. Our approach generalizes to more than two phases in which new features are collected and could be used in other dynamic prediction tasks, where it may be helpful to know when and for whom newly collected features significantly improve prediction.
• Abstract（参考訳）: 心停止後のコマトミー患者の予後は、ICUの臨床的意思決定に直接影響を与える重要な課題である。 予後を知らせる臨床情報は、経時的に連続的に収集される。 心停止後すぐに、様々な時間不変のベースラインの特徴(例えば、人口動態、心停止特性)が収集される。 ICU入院後、経時的血行動態データ(血圧、血管圧薬の投与量など)を含む追加的な特徴が収集される。 これらを,新機能を収集する2つのフェーズと捉えています。 本研究では,時間不変の特徴(第1フェーズ)と時間変化の特徴(第2フェーズ)をいつ利用すべきかを自動的に決定することにより,神経学的結果の予測を改善する新しい段階的動的競合リスクモデルを提案する。 特に,本モデルでは,この第2相(時変血行動態)情報が予後に有益である患者と,この情報が有用である場合(時間とともに患者により多くの血行動態データを収集する場合,これらのデータが予後に重要であるかが変化する)を見出した。 我々のアプローチは、標準的なファイン・アンド・グレイモデルを拡張して、2つのフェーズを明示的にモデル化し、ニューラルネットワークを組み込んで複雑な非線形特徴関係を柔軟に捉える。 2,278名のコマトース患者の振り返りコホートから, 覚醒, 生命維持療法の中止, 死の最大支援にもかかわらず, 競合する結果に対して, 頑健な差別効果を示した。 提案手法は,新しい特徴が収集され,他の動的予測タスクで使用できる2つのフェーズに一般化する。

関連論文リスト

• Multimodal Forecasting of Sparse Intraoperative Hypotension Events Powered by Language Model [14.69824092898171]
  術中低血圧 (IOH) は全身麻酔下で頻繁に発生し, 心筋損傷や死亡率の増加などの副作用と強く関連している。 その重要性にもかかわらず、IOH予測はイベントのばらつきと、さまざまな患者にまたがる静的データと動的データを統合することの難しさによって妨げられている。 スパース低血圧事象を正確に識別し識別する多モーダル言語モデルフレームワークである textbfIOHFuseLM を提案する。
  論文  参考訳（メタデータ） (2025-05-28T08:44:55Z)
• 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)
• Multimodal deep learning approach to predicting neurological recovery from coma after cardiac arrest [2.374912052693646]
  本研究の目的は,臨床データと多チャンネル脳波,心電図などの時系列データを用いて,心停止後のコマから神経学的回復を予測することである。 提案したモデルでは,自然循環復帰後,72ドル(約7,200円)の予測を行うために,隠れテストセットで0.53ドル(約5,800円)のスコアを得た。
  論文  参考訳（メタデータ） (2024-03-09T22:29:24Z)
• Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
  脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。 我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。 我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-08-17T03:46:23Z)
• Enhancing Causal Estimation through Unlabeled Offline Data [7.305019142196583]
  患者の診断と治療に強い影響を及ぼす未測定の生理的変数について検討したい。 集中的なオフライン情報は、現在の患者と部分的に関係のある以前の患者についてのみ利用可能である。 提案手法は3段階からなる: (i) 非因果推定器と因果推定器の両方を作成するために、豊富なオフラインデータを使用する。 オフラインデータが新しい観測に部分的にのみ関係している状況において、この手法が(医療的でない)実世界のタスクに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-16T07:02:42Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。