論文の概要: Diagnosis-based mortality prediction for intensive care unit patients via transfer learning

• arxiv url: http://arxiv.org/abs/2512.06511v1
• Date: Sat, 06 Dec 2025 17:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.388243
• Title: Diagnosis-based mortality prediction for intensive care unit patients via transfer learning
• Title（参考訳）: 転帰学習による集中治療単位患者の診断に基づく死亡予測
• Authors: Mengqi Xu, Subha Maity, Joel Dubin,
• Abstract要約: 診断特異的死亡予測のためのトランスファーラーニング手法の評価を行った。 我々は、GLMとXGBoostをベースとしたモデルの両方をeICU Collaborative Research Databaseに適用する。
• 参考スコア（独自算出の注目度）: 8.713612612607408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the intensive care unit, the underlying causes of critical illness vary substantially across diagnoses, yet prediction models accounting for diagnostic heterogeneity have not been systematically studied. To address the gap, we evaluate transfer learning approaches for diagnosis-specific mortality prediction and apply both GLM- and XGBoost-based models to the eICU Collaborative Research Database. Our results demonstrate that transfer learning consistently outperforms models trained only on diagnosis-specific data and those using a well-known ICU severity-of-illness score, i.e., APACHE IVa, alone, while also achieving better calibration than models trained on the pooled data. Our findings also suggest that the Youden cutoff is a more appropriate decision threshold than the conventional 0.5 for binary outcomes, and that transfer learning maintains consistently high predictive performance across various cutoff criteria.
• Abstract（参考訳）: 集中治療室では、重症度の原因は診断によって大きく異なるが、診断の不均一性を考慮した予測モデルは体系的に研究されていない。 このギャップに対処するため,診断特異的死亡予測のためのトランスファーラーニング手法を評価し,GLMとXGBoostに基づくモデルの両方をeICU共同研究データベースに適用した。 以上の結果から,トランスファーラーニングは診断特化データとよく知られたICU重症度スコアを用いたモデル,すなわちAPACHE IVa単独で学習したモデルよりも優れた校正性能を示した。 以上の結果から, 転帰学習は, 従来の2進法の0.5よりも適切な判定しきい値であり, 様々なカットオフ基準で高い予測性能を保っていることが示唆された。

関連論文リスト

• Benchmarking of EEG Analysis Techniques for Parkinson's Disease Diagnosis: A Comparison between Traditional ML Methods and Foundation DL Methods [4.405656184346215]
  パーキンソン病(英: Parkinson's Disease PD)は、運動機能と認知機能に影響を与える進行性神経変性疾患である。 従来の機械学習MLとディープラーニングDLモデルの体系的なベンチマークを行い、PDを分類する。 統合された7ステップ前処理パイプラインを実装し、一貫した主観的クロスバリデーションと評価基準を適用した。
  論文  参考訳（メタデータ） (2025-07-18T07:59:17Z)
• Monitoring fairness in machine learning models that predict patient mortality in the ICU [0.0]
  本研究では,異なる人種,性別,医療診断を有する患者群に対して,モデルがどのような効果を発揮するかを検討する。 フェアネス分析が、従来の精度の指標単独よりも、モデルパフォーマンスのより詳細で洞察に富んだ比較をいかに提供するかを示す。
  論文  参考訳（メタデータ） (2024-10-31T20:17:12Z)
• Predictive uncertainty estimation in deep learning for lung carcinoma classification in digital pathology under real dataset shifts [2.309018557701645]
  本稿では,予測不確実性推定が深層学習に基づく診断意思決定システムに堅牢性をもたらすか否かを評価する。 まず, モンテカルロの脱落, 深層アンサンブル, 肺腺癌分類の軽微な学習をスライド画像全体の一次疾患として, 予測不確実性を改善するための一般的な3つの方法について検討した。
  論文  参考訳（メタデータ） (2024-08-15T21:49:43Z)
• 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)
• 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)
• Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
  CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。 提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2022-09-03T04:10:45Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。