論文の概要: An Interpretable AI Tool for SAVR vs TAVR in Low to Intermediate Risk Patients with Severe Aortic Stenosis
- arxiv url: http://arxiv.org/abs/2512.10308v1
- Date: Thu, 11 Dec 2025 05:54:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-12 16:15:42.206279
- Title: An Interpretable AI Tool for SAVR vs TAVR in Low to Intermediate Risk Patients with Severe Aortic Stenosis
- Title（参考訳）: 重症大動脈狭窄症患者に対するSAVR対TAVRの解釈可能なAIツール
- Authors: Vasiliki Stoumpou, Maciej Tysarowski, Talhat Azemi, Jawad Haider, Howard L. Haronian, Robert C. Hagberg, Dimitris Bertsimas,
- Abstract要約: 我々は、予測マッチング、偽結果モデリング、最適ポリシーツリー(OPT)を統合した解釈可能な規範的フレームワークを導入する。
OPT処方薬が適用されれば、5年間の死亡率はハートフォードでは20.3%、セントビンセントでは13.8%と推定された。
- 参考スコア（独自算出の注目度）: 3.1857591443934816
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background. Treatment selection for low to intermediate risk patients with severe aortic stenosis between surgical (SAVR) and transcatheter (TAVR) aortic valve replacement remains variable in clinical practice, driven by patient heterogeneity and institutional preferences. While existing models predict postprocedural risk, there is a lack of interpretable, individualized treatment recommendations that directly optimize long-term outcomes. Methods. We introduce an interpretable prescriptive framework that integrates prognostic matching, counterfactual outcome modeling, and an Optimal Policy Tree (OPT) to recommend the treatment minimizing expected 5-year mortality. Using data from Hartford Hospital and St. Vincent's Hospital, we emulate randomization via prognostic matching and sample weighting and estimate counterfactual mortality under both SAVR and TAVR. The policy model, trained on these counterfactual predictions, partitions patients into clinically coherent subgroups and prescribes the treatment associated with lower estimated risk. Findings. If the OPT prescriptions are applied, counterfactual evaluation showed an estimated reduction in 5-year mortality of 20.3\% in Hartford and 13.8\% in St. Vincent's relative to real-life prescriptions, showing promising generalizability to unseen data from a different institution. The learned decision boundaries aligned with real-world outcomes and clinical observations. Interpretation. Our interpretable prescriptive framework is, to the best of our knowledge, the first to provide transparent, data-driven recommendations for TAVR versus SAVR that improve estimated long-term outcomes both in an internal and external cohort, while remaining clinically grounded and contributing toward a more systematic and evidence-based approach to precision medicine in structural heart disease.
- Abstract（参考訳）: 背景。
外科的 (SAVR) と経カテーテル的 (TAVR) 大動脈弁置換術 (TAVR) を併用した重症大動脈狭窄患者の治療選択は, 患者の異質性や機関的嗜好により, 臨床実践においても変化がみられた。
既存のモデルは、手続き後のリスクを予測する一方で、長期的な結果を直接最適化する解釈可能な個別化された治療勧告が欠如している。
メソッド。
本稿では,予測5年間の死亡を最小化する治療を推奨するために,予後マッチング,偽結果モデリング,最適ポリシーツリー(OPT)を統合した解釈可能な規範的フレームワークを提案する。
ハートフォード病院とセントビンセント病院のデータを用いて, 予後整合とサンプル重み付けによるランダム化をエミュレートし, SAVRとTAVRの双方で偽物死亡を推定する。
これらの偽造予測に基づいて訓練された政策モデルは、患者を臨床的に一貫性のあるサブグループに分割し、予測されるリスクの低い治療を処方する。
発見。
OPT処方薬を適用すれば、ハートフォードでは5年間の死亡率は20.3\%、サン・ヴィンセントでは13.8\%と推定され、別の機関から見つからないデータに対して有望な一般化性を示している。
学習された決定境界は、現実世界の結果と臨床観察と一致している。
解釈。
我々の解釈可能な規範的枠組みは、私たちの知る限り、内部と外部のコホートの両方において予測された長期的な結果を改善するためのTAVR対SAVRの透過的でデータ駆動的な勧告を初めて提供し、同時に臨床基盤を保ち、構造心疾患におけるより体系的でエビデンスに基づく精密医療へのアプローチへの貢献である。
関連論文リスト
- Towards Optimal Valve Prescription for Transcatheter Aortic Valve Replacement (TAVR) Surgery: A Machine Learning Approach [3.4414136502641406]
大動脈弁置換術(TAVR: Transcatheter Aortic Valve Replacement)は,重症大動脈狭窄症例に対する低侵襲治療の選択肢である。
バルブ式処方薬に関する現在のガイドラインは議論の的となっている。
本稿では,永久ペースメーカー植込みのリスクを最小限に抑えるため,最適な弁型を特定するためのデータ駆動ツールを提案する。
論文 参考訳（メタデータ） (2025-12-09T23:46:46Z) - Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。
我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2025-07-25T00:48:23Z) - 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) - 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) - Predicting adverse outcomes following catheter ablation treatment for
atrial fibrillation [2.202746751854349]
AFに対するカテーテルアブレーション治療後の予後予測モデルを構築した。
伝統的および深層生存モデルは、大きな出血、心不全、脳卒中、心停止、死の複合を予測するために訓練された。
論文 参考訳（メタデータ） (2022-11-22T02:55:51Z) - 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) - A standardized framework for risk-based assessment of treatment effect
heterogeneity in observational healthcare databases [60.07352590494571]
本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。
アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
論文 参考訳（メタデータ） (2020-10-13T14:48:31Z) - 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) - Survival Analysis Using a 5-Step Stratified Testing and Amalgamation
Routine in Randomized Clinical Trials [0.0]
患者の不均一性の増加は、治療の違いを検出する共通の統計的アプローチの能力を弱める可能性がある。
どちらの治療でも生存を予測できない可能性を持つ塩基性共変体のリストは、事前に特定されている。
条件推論木アルゴリズムを用いて、異種臨床試験集団を予後同種患者のサブ集団に分割する。
提案した5段階の階層化テストとアマルガメーションルーチン(5-STAR)の高消費電力化性能について述べる。
論文 参考訳（メタデータ） (2020-04-28T15:44:41Z)
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。