論文の概要: Externally Validated Longitudinal GRU Model for Visit-Level 180-Day Mortality Risk in Metastatic Castration-Resistant Prostate Cancer

• arxiv url: http://arxiv.org/abs/2601.20046v1
• Date: Tue, 27 Jan 2026 20:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.656979
• Title: Externally Validated Longitudinal GRU Model for Visit-Level 180-Day Mortality Risk in Metastatic Castration-Resistant Prostate Cancer
• Title（参考訳）: 転移性前立腺癌における訪問レベル180日間の死亡リスクに対する経時的GRUモデルの有用性
• Authors: Javier Mencia-Ledo, Mohammad Noaeen, Zahra Shakeri,
• Abstract要約: 転移性カストレーション耐性前立腺癌 (mCRPC) は予後不良と不均一な治療反応を有する高攻撃性疾患である。 我々は,2つのフェーズIIIコホートからの縦断データを用いて,訪問レベル180日間の死亡リスクモデルを開発し,検証した。
• 参考スコア（独自算出の注目度）: 0.5361389213879222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metastatic castration-resistant prostate cancer (mCRPC) is a highly aggressive disease with poor prognosis and heterogeneous treatment response. In this work, we developed and externally validated a visit-level 180-day mortality risk model using longitudinal data from two Phase III cohorts (n=526 and n=640). Only visits with observable 180-day outcomes were labeled; right-censored cases were excluded from analysis. We compared five candidate architectures: Long Short-Term Memory, Gated Recurrent Unit (GRU), Cox Proportional Hazards, Random Survival Forest (RSF), and Logistic Regression. For each dataset, we selected the smallest risk-threshold that achieved an 85% sensitivity floor. The GRU and RSF models showed high discrimination capabilities initially (C-index: 87% for both). In external validation, the GRU obtained a higher calibration (slope: 0.93; intercept: 0.07) and achieved an PR-AUC of 0.87. Clinical impact analysis showed a median time-in-warning of 151.0 days for true positives (59.0 days for false positives) and 18.3 alerts per 100 patient-visits. Given late-stage frailty or cachexia and hemodynamic instability, permutation importance ranked BMI and systolic blood pressure as the strongest associations. These results suggest that longitudinal routine clinical markers can estimate short-horizon mortality risk in mCRPC and support proactive care planning over a multi-month window.
• Abstract（参考訳）: 転移性カストレーション耐性前立腺癌 (mCRPC) は予後不良と不均一な治療反応を有する高攻撃性疾患である。 本研究では,2つのフェーズIIIコホート(n=526,n=640)の経時的データを用いて,訪問レベル180日間の死亡リスクモデルを開発した。 観察可能な180日間の訪問のみにラベルが付けられ, 右検閲症例は分析から除外された。 我々は、長期記憶、GRU(Gated Recurrent Unit)、Cox Proportional Hazards、RSF(Random Survival Forest)、ロジスティック回帰(Logistic Regression)の5つのアーキテクチャを比較した。 各データセットに対して、私たちは85%の感度のフロアを達成した最小のリスク閾値を選択しました。 GRUモデルとRCFモデルは、当初は高い差別能力を示した(C-インデックス:どちらも87%)。 外部の検証では、GRUは高いキャリブレーション(傾斜:0.93、インターセプト:0.07)を取得し、PR-AUCは0.87に達した。 臨床影響分析では、真陽性の場合は151.0日(偽陽性の場合は59.0日)、患者100人当たり18.3日であった。 BMI, 収縮期血圧は, 晩期脱毛症, 血行動態不安定症に比し, 順応の重要性が最多であった。 以上の結果から, 縦断的臨床マーカーはmCRPCの短水平死亡リスクを推定し, 複数ヶ月の窓上での積極的ケア計画を支援することが示唆された。

関連論文リスト

• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Fairness Evaluation of Risk Estimation Models for Lung Cancer Screening [0.6974609493696966]
  肺がん検診における2つの深層学習リスク推定モデルにおいて,潜在的な性能格差と公平性を評価する。 NLST(National Lung Screening Trial)のデータに基づいて、モデルが訓練された。 統計学的に有意なAUROC差は,女性(0.88, 95% CI: 0.86, 0.90)と男性(0.81, 95% CI: 0.78, 0.84, p .001)にみられた。 90%の特異性で、Venkadesh21は黒人(0.39, 95% CI: 0.23, 0.59)の感度を白人(0.69, 95% CI: 0.65)よりも低い値を示した。
  論文  参考訳（メタデータ） (2025-12-23T19:57:21Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• A Transformer-based survival model for prediction of all-cause mortality in heart failure patients: a multi-cohort study [5.831730826863567]
  心不全患者の36カ月の死亡を予測できるトランスフォーマーベースのAIモデルであるTRiskを開発した。 英国では1,418例の心不全403,534例(40～90歳)について検討した。
  論文  参考訳（メタデータ） (2025-03-16T01:53:50Z)
• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis [36.12790384412525]
  変形性膝関節症におけるTKR(Total Knee Replacement)の必要性を予測するための深層学習モデルを開発した。 モデルは、単一のスキャンを使用してTKR予測を実行し、さらに、以前のスキャンが利用可能になった場合、プログレッシブなリスク定式化を活用して予測を改善する。 変形性膝関節症(OAI)と多施設関節症研究(MOST)の膝X線写真とMRIを用いた。
  論文  参考訳（メタデータ） (2024-06-14T15:24:49Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• BIO-CXRNET: A Robust Multimodal Stacking Machine Learning Technique for Mortality Risk Prediction of COVID-19 Patients using Chest X-Ray Images and Clinical Data [0.0]
  本研究は、イタリアで入院した930人の新型コロナウイルス患者のリスクを予測するために、25のバイオマーカーとCXR画像を用いている。 提案手法は精度、感度、F1スコアをそれぞれ89.03%、90.44%、89.03%とした。 ノモグラムに基づく採点法では、F1スコア92.88 %の高リスク患者の死亡確率を予測することができた。
  論文  参考訳（メタデータ） (2022-06-15T15:23:43Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。