論文の概要: Machine Learning Based Prediction of Surgical Outcomes in Chronic Rhinosinusitis from Clinical Data

• arxiv url: http://arxiv.org/abs/2602.17888v1
• Date: Thu, 19 Feb 2026 22:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.173487
• Title: Machine Learning Based Prediction of Surgical Outcomes in Chronic Rhinosinusitis from Clinical Data
• Title（参考訳）: 臨床データによる慢性鼻鼻腔炎の手術成績の機械学習による予測
• Authors: Sayeed Shafayet Chowdhury, Karen D'Souza, V. Siva Kakumani, Snehasis Mukhopadhyay, Shiaofen Fang, Rodney J. Schlosser, Daniel M. Beswick, Jeremiah A. Alt, Jess C. Mace, Zachary M. Soler, Timothy L. Smith, Vijay R. Ramakrishnan,
• Abstract要約: 慢性副鼻腔炎(CRS)はQoL(Quality of Life)と社会的コストにかなりの負担を負う。 本研究では,CRSの手術効果を予測するための教師付き機械学習モデルの評価を行った。
• 参考スコア（独自算出の注目度）: 1.5122833700794007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) has increasingly transformed medical prognostics by enabling rapid and accurate analysis across imaging and pathology. However, the investigation of machine learning predictions applied to prospectively collected, standardized data from observational clinical intervention trials remains underexplored, despite its potential to reduce costs and improve patient outcomes. Chronic rhinosinusitis (CRS), a persistent inflammatory disease of the paranasal sinuses lasting more than three months, imposes a substantial burden on quality of life (QoL) and societal cost. Although many patients respond to medical therapy, others with refractory symptoms often pursue surgical intervention. Surgical decision-making in CRS is complex, as it must weigh known procedural risks against uncertain individualized outcomes. In this study, we evaluated supervised machine learning models for predicting surgical benefit in CRS, using the Sino-Nasal Outcome Test-22 (SNOT-22) as the primary patient-reported outcome. Our prospectively collected cohort from an observational intervention trial comprised patients who all underwent surgery; we investigated whether models trained only on preoperative data could identify patients who might not have been recommended surgery prior to the procedure. Across multiple algorithms, including an ensemble approach, our best model achieved approximately 85% classification accuracy, providing accurate and interpretable predictions of surgical candidacy. Moreover, on a held-out set of 30 cases spanning mixed difficulty, our model achieved 80% accuracy, exceeding the average prediction accuracy of expert clinicians (75.6%), demonstrating its potential to augment clinical decision-making and support personalized CRS care.
• Abstract（参考訳）: 人工知能(AI)は、画像や病理を横断する迅速かつ正確な分析を可能にすることで、医療の予後を変化させている。 しかし、コスト削減や患者成績改善の可能性を秘めつつも、前向きに収集された観察的臨床介入試験の標準化されたデータに適用された機械学習予測に関する調査は、まだ未調査である。 慢性副鼻腔炎(CRS)は副鼻腔炎が3カ月以上持続する慢性炎症性疾患であり,QoL(Quality of Life)と社会費にかなりの負担を負う。 多くの患者は治療に反応するが、難治性症状のある患者は外科的介入を追求することが多い。 CRSにおける外科的意思決定は複雑であり、不確実な個別化結果に対する既知の手続き的リスクを測る必要がある。 本研究では,Sino-Nasal Outcome Test-22 (SNOT-22) を用いて,CRSの外科的利益を予測するための教師付き機械学習モデルの評価を行った。 観血的介入試験から前向きに収集したコホートは, すべて手術を受けた患者で, 術前データのみで訓練したモデルで, 手術前に推奨手術を受けなかったかもしれない患者を識別できるかどうかを検討した。 アンサンブルアプローチを含む複数のアルゴリズムにまたがって,我々の最良のモデルは,約85%の分類精度を達成し,外科的候補の正確かつ解釈可能な予測を可能にした。 さらに, 難易度が混在する30症例について, 専門医の平均予測精度(75.6%)を超える80%の精度を達成し, 臨床意思決定を増強し, パーソナライズされたCRSケアを支援する可能性を示した。

関連論文リスト

• Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma [0.9165796164519936]
  ネオアジュバント化学療法 (Neoadjuvant chemotherapy, NACT) は、手術前に腫瘍の負担を軽減するためにしばしば用いられるが、約40%の患者は反応が限られている。 放射能と機械学習(ML)を組み合わせることで、NAT応答を予測するための有望な非侵襲的手法を提供する。 本研究は,異なる特徴選択法を用いてNACTを施行したHGSOC患者の応答予測を改善することを目的とした。
  論文  参考訳（メタデータ） (2026-01-13T11:29:02Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data [0.0]
  高齢者集中治療室(SICU)患者における術後脳卒中は重要な合併症である。 我々はMIMIC-IIIデータベースとMIMIC-IVデータベースから19,085名の高齢者SICU入院を併用したコホートを構築した。 最初の24時間集中治療室滞在からの臨床データを用いて,院内脳卒中を予測するための解釈可能な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） (2025-06-02T22:53:12Z)
• Primary Care Diagnoses as a Reliable Predictor for Orthopedic Surgical Interventions [0.10624941710159722]
  リファラルワークフローの非効率性は、最適な患者と高い医療費に寄与する。 本研究では,プライマリケアの診断項目に基づく手続き的ニーズの予測の可能性について検討した。
  論文  参考訳（メタデータ） (2025-02-06T17:15:12Z)
• A Novel Generative Multi-Task Representation Learning Approach for Predicting Postoperative Complications in Cardiac Surgery Patients [7.42249589630227]
  機械学習は、術後合併症に対する患者のリスクを特定し、予測するために利用することができる。 新規な手術用変分オートエンコーダを用いて術後合併症の予測と評価を行った。 surgVAEは、クロスタスクとクロスコホートプレゼンテーション学習を通じて固有のパターンを明らかにする。
  論文  参考訳（メタデータ） (2024-12-02T20:24:02Z)
• Predicting Patient Recovery or Mortality Using Deep Neural Decision Tree and Forest [0.4645282522206518]
  重症度と予後を解析するために,Coronavirus disease 2019の診断,人口統計,健康指標,職業リスク因子を用いた。 予測モデルを構築するために9つの機械学習とディープラーニング手法が採用された。 患者の結果を予測するために,各段階のモデルを評価した。
  論文  参考訳（メタデータ） (2023-11-23T11:21:40Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Machine Learning Techniques for Predicting the Short-Term Outcome of Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
  7つのディフフェレント分類アルゴリズムを用いてデータを解析した。 線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
  論文  参考訳（メタデータ） (2023-02-10T13:04:47Z)
• 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)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• 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。