論文の概要: Explainable AI for Infection Prevention and Control: Modeling CPE Acquisition and Patient Outcomes in an Irish Hospital with Transformers

• arxiv url: http://arxiv.org/abs/2509.14942v1
• Date: Thu, 18 Sep 2025 13:29:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.235932
• Title: Explainable AI for Infection Prevention and Control: Modeling CPE Acquisition and Patient Outcomes in an Irish Hospital with Transformers
• Title（参考訳）: 感染予防・コントロールのための説明可能なAI:転換者を持つアイルランドの病院におけるCPE獲得と患者アウトカムのモデル化
• Authors: Minh-Khoi Pham, Tai Tan Mai, Martin Crane, Rob Brennan, Marie E. Ward, Una Geary, Declan Byrne, Brian O Connell, Colm Bergin, Donncha Creagh, Nick McDonald, Marija Bezbradica,
• Abstract要約: 本研究では,患者に対するCPEの影響を調べるための,eXplainable AIモデリングフレームワークを提案する。 診断基準,病棟移行,患者の人口統計,感染関連変数,接触ネットワークの特徴を組み込んだ,アイルランドの急性病院の入院データセットを解析した。 既往の病院曝露や入院状況,ネットワーク集中度など,感染症に関連する特徴は,患者の予後やCPE取得リスクの予測に強い影響を及ぼすと考えられた。
• 参考スコア（独自算出の注目度）: 0.77030827398658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Carbapenemase-Producing Enterobacteriace poses a critical concern for infection prevention and control in hospitals. However, predictive modeling of previously highlighted CPE-associated risks such as readmission, mortality, and extended length of stay (LOS) remains underexplored, particularly with modern deep learning approaches. This study introduces an eXplainable AI modeling framework to investigate CPE impact on patient outcomes from Electronic Medical Records data of an Irish hospital. We analyzed an inpatient dataset from an Irish acute hospital, incorporating diagnostic codes, ward transitions, patient demographics, infection-related variables and contact network features. Several Transformer-based architectures were benchmarked alongside traditional machine learning models. Clinical outcomes were predicted, and XAI techniques were applied to interpret model decisions. Our framework successfully demonstrated the utility of Transformer-based models, with TabTransformer consistently outperforming baselines across multiple clinical prediction tasks, especially for CPE acquisition (AUROC and sensitivity). We found infection-related features, including historical hospital exposure, admission context, and network centrality measures, to be highly influential in predicting patient outcomes and CPE acquisition risk. Explainability analyses revealed that features like "Area of Residence", "Admission Ward" and prior admissions are key risk factors. Network variables like "Ward PageRank" also ranked highly, reflecting the potential value of structural exposure information. This study presents a robust and explainable AI framework for analyzing complex EMR data to identify key risk factors and predict CPE-related outcomes. Our findings underscore the superior performance of the Transformer models and highlight the importance of diverse clinical and network features.
• Abstract（参考訳）: カルバペネマーゼ産生性腸内細菌は、病院における感染症の予防と管理に重要な関心事となっている。 しかし, 従来強調されていたCPE関連リスク, 可読性, 死亡率, 長期滞在 (LOS) の予測モデルは, 特に最近の深層学習アプローチでは未検討のままである。 本研究では,eXplainable AIモデリングフレームワークを導入し,アイルランドの病院の電子カルテデータからCPEが患者に与える影響を調査する。 診断基準,病棟移行,患者の人口統計,感染関連変数,接触ネットワークの特徴を組み込んだ,アイルランドの急性病院の入院データセットを解析した。 いくつかのTransformerベースのアーキテクチャは、従来の機械学習モデルとともにベンチマークされた。 臨床結果が予測され,XAI法がモデル決定の解釈に応用された。 本フレームワークはTransformerベースのモデルの有用性を実証し,TabTransformerは複数の臨床予測タスク,特にCPE取得(AUROCと感度)において一貫してベースラインを上回った。 既往の病院曝露や入院状況,ネットワーク集中度など,感染症に関連する特徴は,患者の予後やCPE取得リスクの予測に強い影響を及ぼすと考えられた。 説明可能性分析の結果,「住居面積」,「入場区」,「入場口」などの特徴が重要なリスク要因であることがわかった。 Ward PageRank"のようなネットワーク変数も、構造的露出情報の潜在的な価値を反映して高くランク付けされている。 本研究では,複雑なEMRデータを解析し,重要なリスク要因を特定し,CPE関連の結果を予測するための,堅牢で説明可能なAIフレームワークを提案する。 以上の結果から,Transformerモデルの優れた性能と,多様な臨床・ネットワーク機能の重要性が浮き彫りになった。

関連論文リスト

• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Foundation Model of Electronic Medical Records for Adaptive Risk Estimation [6.248030496243407]
  ETHOSは幅広いアプリケーションを開発するための多用途フレームワークである。 ARESは、臨床が定義した臨界事象に対するダイナミックでパーソナライズされたリスク確率を計算するためにETHOSを使用する。 ARESはパーソナライズされた説明可能性モジュールも備えており、リスク見積に影響を与える重要な臨床要因を強調している。
  論文  参考訳（メタデータ） (2025-02-10T03:22:39Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• 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)

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。