論文の概要: MIMIC-Sepsis: A Curated Benchmark for Modeling and Learning from Sepsis Trajectories in the ICU

• arxiv url: http://arxiv.org/abs/2510.24500v1
• Date: Tue, 28 Oct 2025 15:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.244943
• Title: MIMIC-Sepsis: A Curated Benchmark for Modeling and Learning from Sepsis Trajectories in the ICU
• Title（参考訳）: MIMIC-Sepsis: ICUにおけるセプシス軌道のモデリングと学習のためのベンチマーク
• Authors: Yong Huang, Zhongqi Yang, Amir Rahmani,
• Abstract要約: 我々はMIMIC-IVデータベースから派生したコホートおよびベンチマークフレームワークであるMIMIC-Sepsisを紹介する。 ICU患者35,239名を対象に,標準治療データとタイムアラインな臨床変数について検討した。 本稿では,Sepsis-3の基準に基づく透過的な前処理パイプライン,構造化されたインプット戦略,そしてそれをベンチマークタスクとともにリリースする。
• 参考スコア（独自算出の注目度）: 1.3849459413926863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sepsis is a leading cause of mortality in intensive care units (ICUs), yet existing research often relies on outdated datasets, non-reproducible preprocessing pipelines, and limited coverage of clinical interventions. We introduce MIMIC-Sepsis, a curated cohort and benchmark framework derived from the MIMIC-IV database, designed to support reproducible modeling of sepsis trajectories. Our cohort includes 35,239 ICU patients with time-aligned clinical variables and standardized treatment data, including vasopressors, fluids, mechanical ventilation and antibiotics. We describe a transparent preprocessing pipeline-based on Sepsis-3 criteria, structured imputation strategies, and treatment inclusion-and release it alongside benchmark tasks focused on early mortality prediction, length-of-stay estimation, and shock onset classification. Empirical results demonstrate that incorporating treatment variables substantially improves model performance, particularly for Transformer-based architectures. MIMIC-Sepsis serves as a robust platform for evaluating predictive and sequential models in critical care research.
• Abstract（参考訳）: セプシスは集中治療単位(ICUs)の死亡率の主要な原因であるが、既存の研究はしばしば時代遅れのデータセット、再生不可能な前処理パイプライン、臨床介入の限られた範囲に依存している。 我々はMIMIC-IVデータベースから派生したコホートおよびベンチマークフレームワークであるMIMIC-Sepsisを紹介した。 当コホートは, 経時的臨床変数と, 血管圧, 流体, 機械的換気, 抗生物質を含む標準化された治療データを有する35,239人のICU患者を対象としている。 本稿では,Sepsis-3の基準に基づく透明な前処理パイプライン,構造化されたインプット戦略,および治療包含戦略,および早期死亡予測,安定期間推定,ショック・オンセット分類に重点を置いたベンチマークタスクについて述べる。 実験の結果、特にTransformerベースのアーキテクチャでは、処理変数を組み込むことでモデル性能が大幅に向上することが示された。 MIMIC-Sepsisは、クリティカルケア研究において予測モデルとシーケンシャルモデルを評価するための堅牢なプラットフォームとして機能する。

関連論文リスト

• Enhancing mortality prediction in cardiac arrest ICU patients through meta-modeling of structured clinical data from MIMIC-IV [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-20T20:56:45Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis [10.791880225915255]
  セプシスはICU (Intensive Care Units) の主要な死因である。 早期敗血症予測のためのマルチモーダル変圧器モデルを提案する。 ICU入院後36ドル以内の患者に対して, 生理的時系列データと臨床記録を用いて検討した。
  論文  参考訳（メタデータ） (2022-03-28T03:19:03Z)
• Early Prediction of Mortality in Critical Care Setting in Sepsis Patients Using Structured Features and Unstructured Clinical Notes [4.387308555401595]
  MIMIC-IIIデータベースを用いて、人口統計データ、生理学的測定、臨床ノートを統合した。 敗血症患者の死亡リスクと30日間の死亡リスクを予測するために,いくつかの機械学習モデルを構築し,適用した。
  論文  参考訳（メタデータ） (2021-11-09T19:57:05Z)
• Improving Early Sepsis Prediction with Multi Modal Learning [5.129463113166068]
  臨床テキストは、敗血症の重症度を推定するために必要な情報を提供する。 Amazon Comprehend MedicalではBERTのような最先端のNLPモデルと高度に専門化されたNLPモデルを用いてテキストを表現している。 本手法は, セプシス予測のためのPhystoNet Computing in Cardiology Challengeの勝利モデルとともに, 専門医であるqSOFAが提案する臨床基準を著しく上回っている。
  論文  参考訳（メタデータ） (2021-07-23T09:25:31Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Integrating Physiological Time Series and Clinical Notes with Deep Learning for Improved ICU Mortality Prediction [21.919977518774015]
  本研究では,生理学的時系列データと臨床記録を統合的死亡予測モデルに統合する方法について検討する。 以上の結果より, 個別のモーダルを単独で使用した場合よりも, 予測精度が統計的に有意に向上することが示唆された。
  論文  参考訳（メタデータ） (2020-03-24T18:25:49Z)

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。