論文の概要: A University of Texas Medical Branch Case Study on Aortic Calcification Detection

• arxiv url: http://arxiv.org/abs/2509.23930v1
• Date: Sun, 28 Sep 2025 15:08:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.539652
• Title: A University of Texas Medical Branch Case Study on Aortic Calcification Detection
• Title（参考訳）: テキサス大学医学部における大動脈石灰化検査のケーススタディ
• Authors: Eric Walser, Peter McCaffrey, Kal Clark, Nicholas Czarnek,
• Abstract要約: テキサス大学医学部(UTMB)はZaulon Labs, Inc.と共同で、胸部X線写真を用いた大動脈石灰化(AC)の検出とコーディングを強化した。 心血管疾患の予後に重要な価値があるにもかかわらず、ACは報告されていないことが多い。 3,988名の患者のうち495名の患者(総検査総数5,000名)が、再納のために適切にコーディングされていない大動脈石灰化の徴候を報告していた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This case study details The University of Texas Medical Branch (UTMB)'s partnership with Zauron Labs, Inc. to enhance detection and coding of aortic calcifications (ACs) using chest radiographs. ACs are often underreported despite their significant prognostic value for cardiovascular disease, and UTMB partnered with Zauron to apply its advanced AI tools, including a high-performing image model (AUC = 0.938) and a fine-tuned language model based on Meta's Llama 3.2, to retrospectively analyze imaging and report data. The effort identified 495 patients out of 3,988 unique patients assessed (5,000 total exams) whose reports contained indications of aortic calcifications that were not properly coded for reimbursement (12.4% miscode rate) as well as an additional 84 patients who had aortic calcifications that were missed during initial review (2.1% misdiagnosis rate). Identification of these patients provided UTMB with the potential to impact clinical care for these patients and pursue $314k in missed annual revenue. These findings informed UTMB's decision to adopt Zauron's Guardian Pro software system-wide to ensure accurate, AI-enhanced peer review and coding, improving both patient care and financial solvency. This study is covered under University of Texas Health San Antonio's Institutional Review Board Study ID 00001887.
• Abstract（参考訳）: このケーススタディは、テキサス大学医学部(UTMB)とZaulon Labs, Inc.とのパートナーシップにより、胸部X線写真を用いた大動脈石灰化(AC)の検出とコーディングを強化する。 ACは心臓血管疾患の予後に重要な価値があるにもかかわらず、しばしば報告されていないが、UTMBはZaulonと提携して高性能画像モデル(AUC = 0.938)やMetaのLlama 3.2に基づく微調整言語モデルなどの高度なAIツールを適用し、画像解析とレポートデータを遡及的に分析した。 調査対象となった3,988名の患者のうち495名の患者(総検査総数5,000名)に、再納入のために適切にコーディングされていない大動脈石灰化の徴候(12.4%の誤コード率)と、初診時に欠席した大動脈石灰化の84名(2.1%の誤診断率)が報告された。 これらの患者を同定すると、UTMBはこれらの患者の臨床医療に影響を及ぼし、年収の欠落で314万ドルを追求する可能性がある。 これらの結果から、UTMBは、ZaulonのGuardian Proソフトウェアを全面的に採用して、正確でAIに強化されたピアレビューとコーディングを確実にし、患者のケアと金銭的解決の両方を改善した。 この研究はテキサス大学サンアントニオ校のInstitutional Review Board Study ID 00001887でカバーされている。

関連論文リスト

• Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
  先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。 本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。 バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-28T05:47:44Z)
• Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
  本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。 モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
  論文  参考訳（メタデータ） (2024-05-12T20:02:25Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Leveraging cough sounds to optimize chest x-ray usage in low-resource settings [35.63955045151504]
  インド・ビハール州プルニアのクリスチャン・メディカル・センターと病院で胸部X線検査を行った137例について前向きに収集した。 それぞれの患者は放射線治療中に少なくとも5つのうっ血を投与した。 胸部X線異常を予測するために, 3つのモデルを開発し, 試験し, 比較した。
  論文  参考訳（メタデータ） (2024-02-13T20:54:55Z)
• Quantifying Impairment and Disease Severity Using AI Models Trained on Healthy Subjects [27.786240241494436]
  Confidence-based chaRacterization of Anomalies (COBRA) スコアは、障害または疾患のある患者に提示された場合、これらのモデルの信頼性の低下を利用する。 脳卒中患者の上半身障害の現在の臨床的評価の鍵となる限界にCOBRAスコアを適用した。
  論文  参考訳（メタデータ） (2023-11-21T18:45:52Z)
• Explainable Machine Learning for ICU Readmission Prediction [0.10071153797668914]
  集中治療ユニット(ICU)は、複雑な病院環境を含む。 この環境における不確かで競合し、計画されていない側面は、ケアパスを均一に実施することの難しさを増大させる。 いくつかのユーティリティーは患者の医療情報を通じて寛解を予測しようと試みている。 この研究は、多中心データベース上で患者の寛容をモデル化するための標準化された、説明可能な機械学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-25T00:16:43Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。