論文の概要: Machine Learning for Early Detection of Meningitis: Stacked Ensemble Learning with EHR data

• arxiv url: http://arxiv.org/abs/2510.15218v1
• Date: Fri, 17 Oct 2025 00:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.427694
• Title: Machine Learning for Early Detection of Meningitis: Stacked Ensemble Learning with EHR data
• Title（参考訳）: 髄膜炎早期検出のための機械学習:EHRデータを用いた重ね合わせ学習
• Authors: Han Ouyang, Jesse Hamilton, Saeed Amal,
• Abstract要約: 我々は,現実のER (Emergency Room) のシナリオをシミュレートし,髄膜炎の診断に挑戦する条件を作成した。 本稿では,エンサンブルラーニング(Ensemble Learning)を用いた髄膜炎の今後のAIによる診断手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We utilized a cohort of 214 meningitis patients and 46,303 non-meningitis patients from the MIMIC-III database. After extensive data preprocessing, which included ICD-based cohort selection, one-hot encoding of coding, and a two-stage feature selection process (for both the training set and the testing sets), clinically relevant features such as gender and high-risk ICD codes (including subarachnoid hemorrhage, secondary malignant neoplasm of the brain, and generalized epilepsy) are selected. Overall, these clinically reasonable and temporally adherent features provided excellent modeling performance. Three models (Random Forest, LightGBM, and Deep Neural Networks (DNN) are trained as base models for Ensemble Learning. Base model outputs are aggregated and stacked into a meta model (Logistic Regression) that uses the base model outputs as input values in training. Ultimately, soldier outputs (AUC of Testing Set 1: 0.9637, AUC of Testing Set 2: 0.9472) are obtained through ensemble learning. We created a challenging condition for diagnosing meningitis, simulating a real-world ER (Emergency Room) scenario to enhance clinical use in real-world applications. While directly deploying a diagnostic tool that clinicians can use is challenging, this paper paves the way for a potential future AI-driven diagnostic approach for meningitis using Ensemble Learning.
• Abstract（参考訳）: MIMIC-IIIデータベースから髄膜炎患者214名,非髄膜炎患者46,303名を用いた。 ICDベースのコホート選択、コーディングの1ホットコーディング、および2段階の特徴選択プロセス(トレーニングセットとテストセットの両方)を含む広範なデータ前処理の後、性および高リスクICDコード(くも膜下出血、脳の二次悪性腫瘍、一般化てんかんを含む)などの臨床的に関連する特徴が選択される。 概して、これらの臨床的に合理的かつ時間的に付着した特徴は、優れたモデリング性能をもたらした。 3つのモデル(Random Forest、LightGBM、Deep Neural Networks (DNN))が、アンサンブル学習のベースモデルとして訓練されている。 ベースモデルの出力は集約され、トレーニングの入力値としてベースモデルの出力を使用するメタモデル(ロジスティック回帰)に積み上げられます。 最終的に、テストセットのAUC(AUC of Testing Set 1: 0.9637, AUC of Testing Set 2: 0.9472)はアンサンブル学習によって得られる。 我々は,実世界のER(Emergency Room)シナリオをシミュレートし,臨床応用の促進を図るため,髄膜炎の診断に挑戦する条件を作成した。 臨床医が利用できる診断ツールを直接デプロイすることは難しいが、本論文は、エンサンブルラーニングを用いた髄膜炎の潜在的なAI駆動診断アプローチの道を開くものである。

関連論文リスト

• Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography [0.0]
  胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチについて検討した。 深層学習モデルは画像データから直接学習し、放射能ベースのモデルは手作りの特徴を抽出する。 これらの知見は、診断AIにおけるモデル選択のための統計的に検証された、データ駆動の推奨を提供する。
  論文  参考訳（メタデータ） (2025-04-16T16:54:37Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Multi-confound regression adversarial network for deep learning-based diagnosis on highly heterogenous clinical data [1.2891210250935143]
  我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。 われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。 このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
  論文  参考訳（メタデータ） (2022-05-05T18:39:09Z)
• An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data [0.0]
  頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。 提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
  論文  参考訳（メタデータ） (2022-02-25T07:50:59Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Developing a New Autism Diagnosis Process Based on a Hybrid Deep Learning Architecture Through Analyzing Home Videos [1.2691047660244335]
  現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。 本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-04-02T17:30:35Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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。