論文の概要: AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)

• arxiv url: http://arxiv.org/abs/2511.01018v1
• Date: Sun, 02 Nov 2025 17:22:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.032151
• Title: AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
• Title（参考訳）: aSthma (AIRE-KIDS) を用いたKIDの悪化予測のためのAI
• Authors: Hui-Lee Ooi, Nicholas Mitsakakis, Margerie Huet Dastarac, Roger Zemek, Amy C. Plint, Jeff Gilchrist, Khaled El Emam, Dhenuka Radhakrishnan,
• Abstract要約: 再発性増悪は喘息の多くの子供にとって一般的だが予防可能な結果である。 本研究は,第3病棟に通院した小児の喘息性心不全の再発を予測できる機械学習アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 0.7022103576274973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recurrent exacerbations remain a common yet preventable outcome for many children with asthma. Machine learning (ML) algorithms using electronic medical records (EMR) could allow accurate identification of children at risk for exacerbations and facilitate referral for preventative comprehensive care to avoid this morbidity. We developed ML algorithms to predict repeat severe exacerbations (i.e. asthma-related emergency department (ED) visits or future hospital admissions) for children with a prior asthma ED visit at a tertiary care children's hospital. Retrospective pre-COVID19 (Feb 2017 - Feb 2019, N=2716) Epic EMR data from the Children's Hospital of Eastern Ontario (CHEO) linked with environmental pollutant exposure and neighbourhood marginalization information was used to train various ML models. We used boosted trees (LGBM, XGB) and 3 open-source large language model (LLM) approaches (DistilGPT2, Llama 3.2 1B and Llama-8b-UltraMedical). Models were tuned and calibrated then validated in a second retrospective post-COVID19 dataset (Jul 2022 - Apr 2023, N=1237) from CHEO. Models were compared using the area under the curve (AUC) and F1 scores, with SHAP values used to determine the most predictive features. The LGBM ML model performed best with the most predictive features in the final AIRE-KIDS_ED model including prior asthma ED visit, the Canadian triage acuity scale, medical complexity, food allergy, prior ED visits for non-asthma respiratory diagnoses, and age for an AUC of 0.712, and F1 score of 0.51. This is a nontrivial improvement over the current decision rule which has F1=0.334. While the most predictive features in the AIRE-KIDS_HOSP model included medical complexity, prior asthma ED visit, average wait time in the ED, the pediatric respiratory assessment measure score at triage and food allergy.
• Abstract（参考訳）: 再発性増悪は喘息の多くの子供にとって一般的だが予防可能な結果である。 エレクトロニック・メディカル・レコード(EMR)を用いた機械学習(ML)アルゴリズムは、増悪のリスクがある子供の正確な識別を可能にし、予防的包括的ケアのための参照を促進することができる。 本研究は,第3次ケア児病院における小児喘息患者に対する重症度(喘息関連救急部門(ED)訪問または将来の入院)の反復予測のためのMLアルゴリズムを開発した。 2017年2月 - 2019年2月, N=2716) 東部オンタリオ州児童病院(CHEO)のEMRデータから, 環境汚染物質曝露と周辺辺縁化情報を用いて各種MLモデルの訓練を行った。 拡張木 (LGBM, XGB) とオープンソースの3つの大規模言語モデル (LLM) アプローチ (DistilGPT2, Llama 3.2 1B, Llama-8b-UltraMedical) を用いた。 モデルは調整され、CHEOのCOVID19後の2回目の振り返りデータセット(Jul 2022 - Apr 2023, N=1237)で検証された。 モデルを曲線(AUC)とF1スコアの領域を用いて比較し、SHAP値を用いて最も予測的な特徴を判定した。 LGBM MLモデルは,AUCが0.712,F1が0.51,AUCが0.712,F1が0。 これは、F1=0.334を持つ現在の決定規則に対する非自明な改善である。 AIRE-KIDS_HOSPモデルで最も予測された特徴は、喘息前ED訪問、EDの平均待機時間、トリアージ時の小児呼吸評価スコア、食物アレルギーであった。

関連論文リスト

• Predicting VBAC Outcomes from U.S. Natality Data using Deep and Classical Machine Learning Models [0.0]
  本研究は,CDC WONDER Natalityデータセットから得られたセサレアン(VBAC)後の迷走神経発生を予測するための教師付き機械学習モデルを提案する。 ロジスティック回帰、XGBoost、多層パーセプトロン(MLP)の3つの分類器を訓練した。 AUCは0.7287で最高性能を記録し、XGBoost (Boost = 0.727) はロジスティック回帰ベースラインを上回った。
  論文  参考訳（メタデータ） (2025-07-28T20:54:55Z)
• Pediatric Asthma Detection with Googles HeAR Model: An AI-Driven Respiratory Sound Classifier [0.8463972278020965]
  この研究は、小児の呼吸音から喘息の早期徴候を検出するために、AIを利用した診断パイプラインを提供する。 SPRSoundデータセットは、ホイーズ、クラックル、ロンチ、ストリドール、ノーマルとラベル付けされた2秒のオーディオセグメントを抽出するために使用される。 このシステムは91%以上の精度を達成し、正の場合の精度・リコールの指標に対して高い性能を発揮する。
  論文  参考訳（メタデータ） (2025-04-28T12:52:17Z)
• Predicting Emergency Department Visits for Patients with Type II Diabetes [10.522637839993807]
  3000万人以上のアメリカ人がII型糖尿病(T2D)に罹患している。 本研究の目的は、機械学習(ML)技術を用いて、T2D患者の救急部門(ED)訪問を推定する予測モデルの開発と評価である。
  論文  参考訳（メタデータ） (2024-12-12T06:37:32Z)
• Simulated patient systems are intelligent when powered by large language model-based AI agents [32.73072809937573]
  我々は,大規模言語モデルに基づくAIエージェントを用いた,インテリジェントシミュレートされた患者システムAIatientを開発した。 このシステムにはRetrieval Augmented Generationフレームワークが組み込まれており、複雑な推論のために6つのタスク固有のLLMベースのAIエージェントが使用されている。 シミュレーションの現実のために、このシステムはAIPatient KG (Knowledge Graph) も利用している。
  論文  参考訳（メタデータ） (2024-09-27T17:17:15Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Leveraging cough sounds to optimize chest x-ray usage in low-resource settings [35.63955045151504]
  インド・ビハール州プルニアのクリスチャン・メディカル・センターと病院で胸部X線検査を行った137例について前向きに収集した。 それぞれの患者は放射線治療中に少なくとも5つのうっ血を投与した。 胸部X線異常を予測するために, 3つのモデルを開発し, 試験し, 比較した。
  論文  参考訳（メタデータ） (2024-02-13T20:54:55Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• AttDMM: An Attentive Deep Markov Model for Risk Scoring in Intensive Care Units [20.96242356493069]
  ICUにおけるリアルタイムリスクスコアリングのための新しい生成的深層確率モデルを提案する。 私たちの知る限りでは、AttDMMは、健康軌道における長期疾患のダイナミクス(注意)と異なる疾患状態の両方を共同で学習する最初のICU予測モデルである。 本モデルは,医療従事者が早期に介入し,患者の命を救えるよう,リスクのある患者を特定するための道筋を示す。
  論文  参考訳（メタデータ） (2021-02-09T08:44:31Z)
• COVID-19 Prognosis via Self-Supervised Representation Learning and Multi-Image Prediction [32.91440827855392]
  胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。 新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。 本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
  論文  参考訳（メタデータ） (2021-01-13T07:03:17Z)
• A Physiology-Driven Computational Model for Post-Cardiac Arrest Outcome Prediction [0.7930054475711718]
  本研究の目的は,CA後の結果を予測する計算モデルを構築することである。 我々は、生理的時系列(PTS)データの統合と機械学習(ML)分類器の訓練によりモデル性能を向上させることができると仮定した。 その結果, MLモデルによるCA後予測モデルの有効性が証明され, PTSが短期成績確率を符号化した後のごく初期段階に記録されることが示唆された。
  論文  参考訳（メタデータ） (2020-02-09T07:53:50Z)

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。