論文の概要: Development and external validation of a multimodal artificial intelligence mortality prediction model of critically ill patients using multicenter data

• arxiv url: http://arxiv.org/abs/2512.19716v1
• Date: Mon, 15 Dec 2025 23:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.585946
• Title: Development and external validation of a multimodal artificial intelligence mortality prediction model of critically ill patients using multicenter data
• Title（参考訳）: 重心データを用いた重病患者の多モーダル人工知能死亡予測モデルの開発と外的検証
• Authors: Behrooz Mamandipoor, Chun-Nan Hsu, Martin Krause, Ulrich H. Schmidt, Rodney A. Gabriel,
• Abstract要約: 本研究の目的は, 構造的および非構造的臨床データを用いた多モード深層学習モデルを構築し, 院内死亡リスクを予測することである。 我々は,MIMIC-III,MIMIC-IV,eICU,HIRIDのデータを用いた。 2001年から2022年の間に200以上の病院から203,434のICUの入院があった。
• 参考スコア（独自算出の注目度）: 1.3352724459394656
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early prediction of in-hospital mortality in critically ill patients can aid clinicians in optimizing treatment. The objective was to develop a multimodal deep learning model, using structured and unstructured clinical data, to predict in-hospital mortality risk among critically ill patients after their initial 24 hour intensive care unit (ICU) admission. We used data from MIMIC-III, MIMIC-IV, eICU, and HiRID. A multimodal model was developed on the MIMIC datasets, featuring time series components occurring within the first 24 hours of ICU admission and predicting risk of subsequent inpatient mortality. Inputs included time-invariant variables, time-variant variables, clinical notes, and chest X-ray images. External validation occurred in a temporally separated MIMIC population, HiRID, and eICU datasets. A total of 203,434 ICU admissions from more than 200 hospitals between 2001 to 2022 were included, in which mortality rate ranged from 5.2% to 7.9% across the four datasets. The model integrating structured data points had AUROC, AUPRC, and Brier scores of 0.92, 0.53, and 0.19, respectively. We externally validated the model on eight different institutions within the eICU dataset, demonstrating AUROCs ranging from 0.84-0.92. When including only patients with available clinical notes and imaging data, inclusion of notes and imaging into the model, the AUROC, AUPRC, and Brier score improved from 0.87 to 0.89, 0.43 to 0.48, and 0.37 to 0.17, respectively. Our findings highlight the importance of incorporating multiple sources of patient information for mortality prediction and the importance of external validation.
• Abstract（参考訳）: 重症症患者の院内死亡の早期予測は、治療を最適化するために臨床医を助けることができる。 本研究の目的は,24時間集中治療室(ICU)入院後の重症心身障害患者の院内死亡リスクを予測するために,構造化および非構造化臨床データを用いた多モード深層学習モデルを開発することである。 我々は,MIMIC-III,MIMIC-IV,eICU,HIRIDのデータを用いた。 MIMICデータセットを用いたマルチモーダルモデルを構築し,ICU入院後24時間以内に時系列成分が出現し,その後の入院死亡リスクを予測した。 入力には、時間不変変数、時間不変変数、臨床ノート、胸部X線画像が含まれる。 外部検証は、時間的に分離されたMIMIC集団、HIRID、eICUデータセットで発生した。 2001年から2022年の間に200以上の病院から203,434のICUの入院があり、その死亡率は4つのデータセットで5.2%から7.9%であった。 AUROC、AUPRC、Brierのスコアはそれぞれ0.92、0.53、0.19である。 EICUデータセット内の8つの異なる機関でモデルを外部から検証し,0.84～0.92の範囲のAUROCを実証した。 利用可能な臨床記録と画像データのみを含む場合、AUROC、AUPRC、Brierのスコアはそれぞれ0.87から0.89、0.43から0.48、0.37から0.17に改善された。 本研究は, 死亡予測のための複数の患者情報ソースを組み込むことの重要性と, 外部検証の重要性を強調した。

関連論文リスト

• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Translating Machine Learning Interpretability into Clinical Insights for ICU Mortality Prediction [0.18416014644193068]
  我々は2つの機械学習モデルと解釈機構を開発し、厳格に評価した。 有意な欠失(130,810人,5.58% ICU死亡)と欠失(5,661人,23.65% ICU死亡)の2つのデータセットを検討した。 ランダムフォレスト(RF)モデルは、第1のデータセットで0.912のAUROC、第2のデータセットで0.839のAUROC、第1のデータセットで0.924のAUROC、第2のデータセットで0.834のAUROCを示した。
  論文  参考訳（メタデータ） (2025-07-30T02:19:06Z)
• 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)
• Development of Interactive Nomograms for Predicting Short-Term Survival in ICU Patients with Aplastic Anemia [3.5626691568652507]
  無形成性貧血は稀な致命的血液疾患であり,汎血球減少と骨髄不全を特徴とする。 MIMIC-IVデータベースを用いて、再生不良性貧血のICU患者を同定し、5つの領域から臨床像を抽出した。 7日間,14日間,28日間の死亡を予測するために,ロジスティック回帰モデルとコックス回帰モデルを構築した。
  論文  参考訳（メタデータ） (2025-05-23T23:01:11Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
  デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。 3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T18:56:31Z)
• 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)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• All Data Inclusive, Deep Learning Models to Predict Critical Events in the Medical Information Mart for Intensive Care III Database (MIMIC III) [0.0]
  本研究は35,348人を対象に42,818人の入院患者を対象に行った。 複数のデータソースにわたる7500万以上のイベントが処理され、3億5500万以上のトークンが処理された。 すべてのデータソースを使用して構築されたモデルから、はるかに信頼性が高く、信頼性の高いホスピタル死亡を予測できる。
  論文  参考訳（メタデータ） (2020-09-02T22:12:18Z)

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。