論文の概要: A Data-Driven Approach to Support Clinical Renal Replacement Therapy

• arxiv url: http://arxiv.org/abs/2602.22902v1
• Date: Thu, 26 Feb 2026 11:47:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.666219
• Title: A Data-Driven Approach to Support Clinical Renal Replacement Therapy
• Title（参考訳）: 腎置換療法支援のためのデータ駆動型アプローチ
• Authors: Alice Balboni, Luis Escobar, Andrea Manno, Fabrizio Rossi, Maria Cristina Ruffa, Gianluca Villa, Giordano D'Aloisio, Antonio Consolo,
• Abstract要約: 本研究では,CRRT(Continuous Renal Replacement Therapy)を施行した重症患者の膜汚濁予測のためのデータ駆動機械学習手法について検討した。 ICUの時系列データを用いて,臨床選択した16種類の特徴を同定し,予測モデルを訓練した。 結果は異なる予測地平線にわたって頑健なままであった。
• 参考スコア（独自算出の注目度）: 1.7666791716676549
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study investigates a data-driven machine learning approach to predict membrane fouling in critically ill patients undergoing Continuous Renal Replacement Therapy (CRRT). Using time-series data from an ICU, 16 clinically selected features were identified to train predictive models. To ensure interpretability and enable reliable counterfactual analysis, the researchers adopted a tabular data approach rather than modeling temporal dependencies directly. Given the imbalance between fouling and non-fouling cases, the ADASYN oversampling technique was applied to improve minority class representation. Random Forest, XGBoost, and LightGBM models were tested, achieving balanced performance with 77.6% sensitivity and 96.3% specificity at a 10% rebalancing rate. Results remained robust across different forecasting horizons. Notably, the tabular approach outperformed LSTM recurrent neural networks, suggesting that explicit temporal modeling was not necessary for strong predictive performance. Feature selection further reduced the model to five key variables, improving simplicity and interpretability with minimal loss of accuracy. A Shapley value-based counterfactual analysis was applied to the best-performing model, successfully identifying minimal input changes capable of reversing fouling predictions. Overall, the findings support the viability of interpretable machine learning models for predicting membrane fouling during CRRT. The integration of prediction and counterfactual analysis offers practical clinical value, potentially guiding therapeutic adjustments to reduce fouling risk and improve patient management.
• Abstract（参考訳）: 本研究では,CRRT(Continuous Renal Replacement Therapy)を施行した重症患者の膜汚濁を予測するためのデータ駆動機械学習手法について検討した。 ICUの時系列データを用いて,臨床選択した16種類の特徴を同定し,予測モデルを訓練した。 解釈可能性を確保し、信頼性の高い反ファクト分析を可能にするために、研究者たちは、時間依存を直接モデル化するのではなく、表形式のデータアプローチを採用した。 ファウリングと非ファウリングの非バランスを考慮し,ADASYNオーバーサンプリング法を適用した。 ランダムフォレスト(Random Forest)、XGBoost(XGBoost)、LightGBM(LightGBM)のモデルがテストされ、バランスの取れた性能を77.6%の感度と96.3%の特異性を10%の再バランスレートで達成した。 結果は異なる予測地平線にわたって頑健なままであった。 特に、表形式のアプローチはLSTMリカレントニューラルネットワークよりも優れており、強い予測性能には明示的な時間的モデリングは必要ないことが示唆された。 特徴の選択により、モデルを5つのキー変数に減らし、精度の低下を最小限に抑えて、シンプルさと解釈性を改善した。 ファウリング予測を逆転できる最小限の入力変化を同定し,Shapley値に基づく逆ファクト解析を最適性能モデルに適用した。 全体として、CRRT中の膜汚濁を予測するための解釈可能な機械学習モデルの生存性を支持する。 予測と反事実分析の統合は、実用的な臨床的価値を提供し、ファウリングリスクを低減し、患者管理を改善するための治療調整を導く可能性がある。

関連論文リスト

• Bootstrapping-based Regularisation for Reducing Individual Prediction Instability in Clinical Risk Prediction Models [2.1127261244588156]
  本稿では,ブートストラッププロセスを直接深層ニューラルネットワークのトレーニングに組み込む,ブートストラップに基づく新たな正規化フレームワークを提案する。 このアプローチは、再サンプリングされたデータセット間の予測変数を制約し、固有の安定性特性を持つ単一のモデルを生成する。 提案手法を従来モデルとアンサンブルモデルに対して提案した正規化手法を用いて構築したモデルを評価した。
  論文  参考訳（メタデータ） (2026-02-11T20:47:30Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• Predicting Extubation Failure in Intensive Care: The Development of a Novel, End-to-End Actionable and Interpretable Prediction System [0.0]
  集中治療における排他的障害の予測は、複雑なデータと不正確な予測の重大な結果のために困難である。 機械学習は、臨床的な意思決定を改善することを約束するが、時間的患者の軌跡やモデル解釈可能性を考慮するのに失敗することが多い。 本研究では, 時相モデリング手法を用いて, エクスキュベーション故障の予測システムを構築することを目的とした。
  論文  参考訳（メタデータ） (2024-11-27T22:19:47Z)
• Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
  10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
  論文  参考訳（メタデータ） (2024-10-02T03:21:01Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Identifying and mitigating bias in algorithms used to manage patients in a pandemic [4.756860520861679]
  現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。 モデルではバイアス試験の回数が57%減少した。 キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
  論文  参考訳（メタデータ） (2021-10-30T21:10:56Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)

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。