論文の概要: Rare Event Early Detection: A Dataset of Sepsis Onset for Critically Ill Trauma Patients

• arxiv url: http://arxiv.org/abs/2602.02930v1
• Date: Tue, 03 Feb 2026 00:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.147948
• Title: Rare Event Early Detection: A Dataset of Sepsis Onset for Critically Ill Trauma Patients
• Title（参考訳）: レアイベント早期検出 : 致命的な外傷患者に対するセプシスのデータセット
• Authors: Yin Jin, Tucker R. Stewart, Deyi Zhou, Chhavi Gupta, Arjita Nema, Scott C. Brakenridge, Grant E. O'Keefe, Juhua Hu,
• Abstract要約: MIMIC-IIIを用いて, 標準化された外傷後敗血症発症データセットを抽出し, 標準化された外傷後臨床事実を用いて検索し, 検証した。 ICUの臨床ワークフローによる外傷後敗血症の早期発見を日常的に行うと,新たなまれな事象検出問題が発生する。
• 参考スコア（独自算出の注目度）: 7.181818511491392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sepsis is a major public health concern due to its high morbidity, mortality, and cost. Its clinical outcome can be substantially improved through early detection and timely intervention. By leveraging publicly available datasets, machine learning (ML) has driven advances in both research and clinical practice. However, existing public datasets consider ICU patients (Intensive Care Unit) as a uniform group and neglect the potential challenges presented by critically ill trauma patients in whom injury-related inflammation and organ dysfunction can overlap with the clinical features of sepsis. We propose that a targeted identification of post-traumatic sepsis is necessary in order to develop methods for early detection. Therefore, we introduce a publicly available standardized post-trauma sepsis onset dataset extracted, relabeled using standardized post-trauma clinical facts, and validated from MIMIC-III. Furthermore, we frame early detection of post-trauma sepsis onset according to clinical workflow in ICUs in a daily basis resulting in a new rare event detection problem. We then establish a general benchmark through comprehensive experiments, which shows the necessity of further advancements using this new dataset. The data code is available at https://github.com/ML4UWHealth/SepsisOnset_TraumaCohort.git.
• Abstract（参考訳）: セプシスは高い死亡率、死亡率、コストのために公衆衛生上の問題となっている。 その臨床効果は早期発見とタイムリーな介入によって著しく改善することができる。 公開されているデータセットを活用することで、機械学習(ML)は研究と臨床の両方に進歩をもたらした。 しかし、既存の公的データセットでは、ICU患者(集中治療ユニット)を一様群とみなし、外傷関連炎症や臓器機能不全が敗血症の臨床的特徴と重なりうる重篤な外傷患者による潜在的な課題を無視している。 本稿では,早期発見法を開発するためには,外傷後敗血症のターゲット同定が必要であることを提案する。 そこで,本研究では,MIMIC-IIIを用いて,標準化された外傷後敗血症発症データセットを抽出し,標準化された外傷後臨床事実を再現し,その妥当性を検証した。 さらに,ICUにおける臨床ワークフローによる外傷後敗血症発症の早期発見を日常的に行うことにより,新たなまれな事象検出の問題が生じた。 次に、この新たなデータセットを用いたさらなる進歩の必要性を示す総合的な実験を通じて、一般的なベンチマークを確立する。 データコードはhttps://github.com/ML4UWHealth/SepsisOnset_TraumaCohort.gitで公開されている。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• 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)
• NPRL: Nightly Profile Representation Learning for Early Sepsis Onset Prediction in ICU Trauma Patients [5.476582906474746]
  セプシス(Sepsis)は、感染の有無に応じて体内で発症する症候群である。 現在の機械学習アルゴリズムは性能が悪く、早期のセプシスの開始を予測できない。 我々は,前夜に収集した最新のデータを用いて,毎朝の敗血症を予測できる新しい,現実的な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-25T11:27:27Z)
• ALRt: An Active Learning Framework for Irregularly Sampled Temporal Data [1.370633147306388]
  セプシスは病院内の多くの患者に致命的な症状である。 本稿では, 短時間の時間的地平線に対するアクティブラーニング・リカレントニューラルネットワーク(ALRts)の利用により, セプシスなどの不規則な時間的事象の予測を改善することを提案する。 限られたデータに基づいてトレーニングされたアクティブラーニングRNNモデルは、トレーニングデータセット全体を用いたモデルに匹敵する堅牢なセシス予測を形成することができることを示す。
  論文  参考訳（メタデータ） (2022-12-13T04:31:49Z)
• 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)
• Machine learning-based analysis of hyperspectral images for automated sepsis diagnosis [28.77667667876798]
  ハイパースペクトル画像データに基づく自動機械学習による敗血症診断は、これまで検討されていない。 我々は、既存のデータを用いて、980,%以上の精度で敗血症を分類することができたが、調査では、いくつかの主題、治療、画像関連共同設立者も明らかにした。
  論文  参考訳（メタデータ） (2021-06-15T21:33:59Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。