論文の概要: Towards actionable hypotension prediction- predicting catecholamine therapy initiation in the intensive care unit

• arxiv url: http://arxiv.org/abs/2510.24287v1
• Date: Tue, 28 Oct 2025 10:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.027381
• Title: Towards actionable hypotension prediction- predicting catecholamine therapy initiation in the intensive care unit
• Title（参考訳）: 集中治療室における活動性低血圧予測-カテコールアミン療法開始に向けて
• Authors: Richard Koebe, Noah Saibel, Juan Miguel Lopez Alcaraz, Simon Schäfer, Nils Strodthoff,
• Abstract要約: ほとんどの機械学習(ML)モデルは、固定されたMAP閾値またはMAP予測を使用して低血圧を予測する。 15分間の予測窓内でカテコールアミンの開始を連発イベントとしてモデル化した。 このモデルは0.822(0.813-0.830)のAUROCを達成し、低血圧ベースライン(MAP 65, AUROC 0.686 [0.675-0.699])を上回った。
• 参考スコア（独自算出の注目度）: 1.43973089617443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypotension in critically ill ICU patients is common and life-threatening. Escalation to catecholamine therapy marks a key management step, with both undertreatment and overtreatment posing risks. Most machine learning (ML) models predict hypotension using fixed MAP thresholds or MAP forecasting, overlooking the clinical decision behind treatment escalation. Predicting catecholamine initiation, the start of vasoactive or inotropic agent administration offers a more clinically actionable target reflecting real decision-making. Using the MIMIC-III database, we modeled catecholamine initiation as a binary event within a 15-minute prediction window. Input features included statistical descriptors from a two-hour sliding MAP context window, along with demographics, biometrics, comorbidities, and ongoing treatments. An Extreme Gradient Boosting (XGBoost) model was trained and interpreted via SHapley Additive exPlanations (SHAP). The model achieved an AUROC of 0.822 (0.813-0.830), outperforming the hypotension baseline (MAP < 65, AUROC 0.686 [0.675-0.699]). SHAP analysis highlighted recent MAP values, MAP trends, and ongoing treatments (e.g., sedatives, electrolytes) as dominant predictors. Subgroup analysis showed higher performance in males, younger patients (<53 years), those with higher BMI (>32), and patients without comorbidities or concurrent medications. Predicting catecholamine initiation based on MAP dynamics, treatment context, and patient characteristics supports the critical decision of when to escalate therapy, shifting focus from threshold-based alarms to actionable decision support. This approach is feasible across a broad ICU cohort under natural event imbalance. Future work should enrich temporal and physiological context, extend label definitions to include therapy escalation, and benchmark against existing hypotension prediction systems.
• Abstract（参考訳）: 重篤なICU患者では低血圧が一般的で、寿命が短くなる。 カテコールアミン療法へのエスカレーションは、過酷な治療と過剰な治療の両方がリスクをもたらす主要な管理ステップである。 ほとんどの機械学習(ML)モデルは、固定されたMAP閾値またはMAP予測を使用して低血圧を予測し、治療のエスカレーションの背後にある臨床的決定を見越す。 カテコールアミンの開始を予測し、血管作動性または非トロピック剤投与の開始は、真の意思決定を反映した、より臨床的に実行可能な標的を提供する。 MIMIC-IIIデータベースを用いて15分間の予測ウィンドウ内でカテコールアミンの開始を2値イベントとしてモデル化した。 入力機能には、2時間スライディングMAPコンテキストウィンドウからの統計記述子と、人口統計学、バイオメトリックス、共生性、継続的な治療が含まれる。 XGBoost(Extreme Gradient Boosting)モデルが訓練され、SHAP(SHapley Additive exPlanations)を通じて解釈された。 このモデルは0.822(0.813-0.830)のAUROCを達成し、低血圧ベースライン(MAP < 65, AUROC 0.686 [0.675-0.699])を上回った。 SHAP分析では、最近のMAP値、MAP傾向、進行中の治療(鎮静剤、電解質など)が支配的な予測因子として強調された。 サブグループ分析の結果,男性,若年者(53歳),BMI(>32。 MAPダイナミックス、治療状況、患者特性に基づくカテコールアミンの開始予測は、いつ治療をエスカレートするかという重要な決定を支持し、閾値に基づくアラームから行動可能な決定支援へと焦点を移す。 このアプローチは、自然事象の不均衡の下で、広いICUコホートで実現可能である。 今後の研究は、時間的および生理的文脈を豊かにし、ラベル定義を治療エスカレーションを含むように拡張し、既存の低血圧予測システムに対するベンチマークを行うべきである。

関連論文リスト

• Predicting Neoadjuvant Chemotherapy Response in Triple-Negative Breast Cancer Using Pre-Treatment Histopathologic Images [2.23127246021293]
  三重複陰性乳癌(TNBC)は、その攻撃的行動と標的療法の欠如により、主要な臨床課題である。 本報告では, 治療前のヘマトキシリンおよびエオシン含有生検スライドから直接, 病理学的完全反応(pCR)を予測するために, 注意に基づく多症例学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T02:06:34Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Machine learning predicts long-term mortality after acute myocardial infarction using systolic time intervals and routinely collected clinical data [0.35998666903987897]
  樹齢14年以内の死亡率を予測するため,木に基づくMLアルゴリズムの性能について検討した。 機能セットにbPEPとbETを追加することで,アルゴリズムの性能が大幅に向上した。 この進歩は、リスクの高い個人に対してより良い治療優先順位付けを可能にする可能性がある。
  論文  参考訳（メタデータ） (2024-03-03T15:23:49Z)
• Deep Metric Learning for the Hemodynamics Inference with Electrocardiogram Signals [14.972877620537686]
  我々は、中央の圧力ラベルを伴わない540万以上のECGを含むデータセットを使用して、自己教師型DMLモデルを事前トレーニングします。 8,172mPCWPラベルのECGを用いた教師付きDMLモデルでは,mPCWP回帰タスクの性能が著しく向上した。
  論文  参考訳（メタデータ） (2023-08-09T01:30:07Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Aortic Pressure Forecasting with Deep Sequence Learning [23.571482805855755]
  平均大動脈圧(MAP)は、すべての臓器系における灌流の主要な決定因子である。 本研究の目的は,5分前の25Hzの時系列データを入力として,平均大動脈圧を5分前に予測することであった。
  論文  参考訳（メタデータ） (2020-05-12T01:07:25Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。