論文の概要: Explainable AI For Early Detection Of Sepsis

• arxiv url: http://arxiv.org/abs/2511.06492v1
• Date: Sun, 09 Nov 2025 18:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.975748
• Title: Explainable AI For Early Detection Of Sepsis
• Title（参考訳）: セプシスの早期検出のための説明可能なAI
• Authors: Atharva Thakur, Shruti Dhumal,
• Abstract要約: 本稿では,機械学習と臨床知識を統合したセシス分析のための解釈可能なAIアプローチを提案する。 本手法は,敗血症発症の正確な予測を行うだけでなく,臨床医がモデルのアウトプットを理解し,検証し,確立した専門知識と整合することを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sepsis is a life-threatening condition that requires rapid detection and treatment to prevent progression to severe sepsis, septic shock, or multi-organ failure. Despite advances in medical technology, it remains a major challenge for clinicians. While recent machine learning models have shown promise in predicting sepsis onset, their black-box nature limits interpretability and clinical trust. In this study, we present an interpretable AI approach for sepsis analysis that integrates machine learning with clinical knowledge. Our method not only delivers accurate predictions of sepsis onset but also enables clinicians to understand, validate, and align model outputs with established medical expertise.
• Abstract（参考訳）: セプシス(Sepsis)は、重篤な敗血症、敗血症性ショック、多臓器不全の進行を防ぐために、迅速な検出と治療を必要とする生命の危機状態である。 医療技術の進歩にもかかわらず、これは医院にとって大きな課題である。 最近の機械学習モデルでは、セプシスの発症を予測することは約束されているが、ブラックボックスの性質は解釈可能性と臨床的信頼を制限する。 本研究では,機械学習と臨床知識を統合したセシス解析のための解釈可能なAIアプローチを提案する。 本手法は,敗血症発症の正確な予測を行うだけでなく,臨床医がモデルのアウトプットを理解し,検証し,確立した専門知識と整合することを可能にする。

関連論文リスト

• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• SepsisCalc: Integrating Clinical Calculators into Early Sepsis Prediction via Dynamic Temporal Graph Construction [27.020030731672477]
  セプシス(Sepsis)は、感染症に対する免疫反応の低下によって引き起こされる臓器機能障害である。 臨床電卓は臨床医のワークフローにおける敗血症の同定において重要な役割を担っている。
  論文  参考訳（メタデータ） (2024-12-31T00:02:07Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Rethinking Human-AI Collaboration in Complex Medical Decision Making: A Case Study in Sepsis Diagnosis [34.19436164837297]
  我々は、最先端のAIアルゴリズムに基づいてSepsisLabを構築し、それを拡張して、セプシス開発の将来予測を予測する。 我々は、SepsisLabがAIによる敗血症診断の将来に向けて有望な人間とAIのコラボレーションパラダイムを実現することを実証した。
  論文  参考訳（メタデータ） (2023-09-17T19:19:39Z)
• 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)
• 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。