論文の概要: Enhancing mortality prediction in cardiac arrest ICU patients through meta-modeling of structured clinical data from MIMIC-IV

• arxiv url: http://arxiv.org/abs/2510.18103v1
• Date: Mon, 20 Oct 2025 20:56:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.621108
• Title: Enhancing mortality prediction in cardiac arrest ICU patients through meta-modeling of structured clinical data from MIMIC-IV
• Title（参考訳）: MIMIC-IVによる構造化臨床データのメタモデリングによる心停止ICU患者の死亡予測の促進
• Authors: Nursultan Mamatov, Philipp Kellmeyer,
• Abstract要約: 本研究では、構造化された臨床データと構造化されていない情報を統合する機械学習モデルを開発し、評価する。 機能選択にはLASSOとXGBoostを使用しました。 構造化データとテキスト入力を組み合わせた最終ロジスティック回帰モデルは、構造化データのみを使用する場合の0.753に対して、0.918のAUCを達成したが、相対的な改善は22%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate early prediction of in-hospital mortality in intensive care units (ICUs) is essential for timely clinical intervention and efficient resource allocation. This study develops and evaluates machine learning models that integrate both structured clinical data and unstructured textual information, specifically discharge summaries and radiology reports, from the MIMIC-IV database. We used LASSO and XGBoost for feature selection, followed by a multivariate logistic regression trained on the top features identified by both models. Incorporating textual features using TF-IDF and BERT embeddings significantly improved predictive performance. The final logistic regression model, which combined structured and textual input, achieved an AUC of 0.918, compared to 0.753 when using structured data alone, a relative improvement 22%. The analysis of the decision curve demonstrated a superior standardized net benefit in a wide range of threshold probabilities (0.2-0.8), confirming the clinical utility of the model. These results underscore the added prognostic value of unstructured clinical notes and support their integration into interpretable feature-driven risk prediction models for ICU patients.
• Abstract（参考訳）: 集中治療室(ICUs)における院内死亡の正確な早期予測は、タイムリーな臨床介入と効率的な資源配分に不可欠である。 本研究は,MIMIC-IVデータベースから,構造化された臨床データと構造化されていないテキスト情報を統合した機械学習モデルの構築と評価を行う。 機能選択にLASSOとXGBoostを使用し、その後、両方のモデルで識別された上位機能に基づいて訓練された多変量ロジスティック回帰を行った。 TF-IDFとBERTの埋め込みによるテキスト機能の導入により、予測性能が大幅に向上した。 構造化データとテキスト入力を組み合わせた最終ロジスティック回帰モデルは、構造化データのみを使用する場合の0.753に対して、0.918のAUCを達成したが、相対的な改善は22%であった。 決定曲線の解析により,幅広いしきい値確率 (0.2-0.8) において, より優れた標準ネットの利点を示し, モデルの臨床的有用性を確認した。 これらの結果は,ICU患者に対する非構造的臨床ノートの予後の付加価値と,解釈可能な特徴駆動型リスク予測モデルへの統合を裏付けるものである。

関連論文リスト

• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Improving Hospital Risk Prediction with Knowledge-Augmented Multimodal EHR Modeling [12.723098379155838]
  臨床リスク予測のために構造化データと非構造化データをシームレスに統合する統合フレームワークを導入する。 微調整大言語モデル(LLM)は臨床ノートからタスク関連情報を抽出する。 第2段階は構造化されていない表現と構造化データから派生した特徴を組み合わせて最終的な予測を生成する。
  論文  参考訳（メタデータ） (2025-08-04T01:03:16Z)
• 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)
• Enhancing In-Hospital Mortality Prediction Using Multi-Representational Learning with LLM-Generated Expert Summaries [3.5508427067904864]
  ICU患者の院内死亡率(IHM)予測は、時間的介入と効率的な資源配分に重要である。 本研究は、構造化された生理データと臨床ノートをLarge Language Model(LLM)によって生成された専門家要約と統合し、IHM予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-25T16:36:38Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Improving Mortality Prediction After Radiotherapy with Large Language Model Structuring of Large-Scale Unstructured Electronic Health Records [2.608410928225647]
  本研究は、構造化された臨床データとともに、構造化されていない電子健康記録を構造化するためのRTSurvフレームワークを開発し、検証した。 34,276人の非構造化データと852の外部コホートを用いて、非構造化情報を構造化形式に変換することに成功した。
  論文  参考訳（メタデータ） (2024-08-09T14:02:24Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
  臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。 そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。 また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
  論文  参考訳（メタデータ） (2022-08-09T03:49:52Z)
• 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。