論文の概要: What Causes Postoperative Aspiration?

• arxiv url: http://arxiv.org/abs/2510.21779v2
• Date: Tue, 28 Oct 2025 19:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.37937
• Title: What Causes Postoperative Aspiration?
• Title（参考訳）: 術後呼吸障害の原因は何か?
• Authors: Supriya Nagesh, Karina Covarrubias, Robert El-Kareh, Shiva Prasad Kasiviswanathan, Nina Mishra,
• Abstract要約: 吸引、肺への異物吸入は外科患者の死亡率と死亡率に大きな影響を及ぼす。 本研究は,術後の呼吸を予測し,時間的に予防的介入を可能にする機械学習(ML)モデルを開発する。
• 参考スコア（独自算出の注目度）: 9.062202804425889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Aspiration, the inhalation of foreign material into the lungs, significantly impacts surgical patient morbidity and mortality. This study develops a machine learning (ML) model to predict postoperative aspiration, enabling timely preventative interventions. Methods: From the MIMIC-IV database of over 400,000 hospital admissions, we identified 826 surgical patients (mean age: 62, 55.7\% male) who experienced aspiration within seven days post-surgery, along with a matched non-aspiration cohort. Three ML models: XGBoost, Multilayer Perceptron, and Random Forest were trained using pre-surgical hospitalization data to predict postoperative aspiration. To investigate causation, we estimated Average Treatment Effects (ATE) using Augmented Inverse Probability Weighting. Results: Our ML model achieved an AUROC of 0.86 and 77.3\% sensitivity on a held-out test set. Maximum daily opioid dose, length of stay, and patient age emerged as the most important predictors. ATE analysis identified significant causative factors: opioids (0.25 +/- 0.06) and operative site (neck: 0.20 +/- 0.13, head: 0.19 +/- 0.13). Despite equal surgery rates across genders, men were 1.5 times more likely to aspirate and received 27\% higher maximum daily opioid dosages compared to women. Conclusion: ML models can effectively predict postoperative aspiration risk, enabling targeted preventative measures. Maximum daily opioid dosage and operative site significantly influence aspiration risk. The gender disparity in both opioid administration and aspiration rates warrants further investigation. These findings have important implications for improving postoperative care protocols and aspiration prevention strategies.
• Abstract（参考訳）: 背景:吸引、肺への異物吸入は外科患者の死亡率と死亡率に大きな影響を及ぼす。 本研究は,術後の呼吸を予測し,時間的に予防的介入を可能にする機械学習(ML)モデルを開発する。 方法:MIMIC-IVデータベースから, 術後7日以内に呼吸困難を発症した手術患者826名(平均年齢62, 55.7%)と, 一致した非呼吸コホートを同定した。 XGBoost、Multilayer Perceptron、Random Forestの3つのMLモデルは、術前入院データを用いて術後呼吸を予測する訓練を行った。 因果関係を調べるために,Augmented Inverse Probability Weightingを用いて平均治療効果(ATE)を推定した。 結果: MLモデルは, ホールドアウトテストセットに対して0.86および77.3\%のAUROCを達成した。 最大1日1オピオイド投与量,滞在期間,患者年齢が最も重要な予測因子として出現した。 ATE分析によりオピオイド(0.25+/-0.06)と手術部位(頸部:0.20+/-0.13、頭部:0.19+/-0.13)が同定された。 男女比で同じ手術率であったにもかかわらず、男性の方が吸気率が1.5倍高く、女性に比べて1日最大オピオイド投与量が27.5%高かった。 結論:MLモデルは術後の吸引リスクを効果的に予測し,目標とする予防対策を可能にする。 最大1日オピオイド投与量と手術部位は吸気リスクに大きく影響した。 オピオイド投与と吸入率の男女差は、さらなる調査を保証している。 これらの知見は,術後のケアプロトコルの改善と吸引予防戦略に重要な意味を持つ。

関連論文リスト

• Interpretable Machine Learning Model for Early Prediction of Acute Kidney Injury in Critically Ill Patients with Cirrhosis: A Retrospective Study [3.5626691568652507]
  肝硬変は進行性肝疾患であり、死亡率が高く、合併症も頻発する。 多くの予測ツールは、精度、解釈可能性、集中治療ユニット(ICU)との整合性を欠いている。 本研究は,肝硬変患者の早期AKI予測のための解釈可能な機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-08-13T23:03:28Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach [3.5626691568652507]
  集中治療室(ICU)における糖尿病(DM)と心房細動(AF)の死亡率の上昇 DMとAFを併用したICU患者において,28日間の死亡を予測できる解釈可能な機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-06-18T22:04:12Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて,リスク予測と因果効果推定の相乗効果を利用するモデルを構築した。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• A Novel Generative Multi-Task Representation Learning Approach for Predicting Postoperative Complications in Cardiac Surgery Patients [7.42249589630227]
  機械学習は、術後合併症に対する患者のリスクを特定し、予測するために利用することができる。 新規な手術用変分オートエンコーダを用いて術後合併症の予測と評価を行った。 surgVAEは、クロスタスクとクロスコホートプレゼンテーション学習を通じて固有のパターンを明らかにする。
  論文  参考訳（メタデータ） (2024-12-02T20:24:02Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。