Fugu-MT 論文翻訳(概要): Optimising antibiotic switching via forecasting of patient physiology

論文の概要: Optimising antibiotic switching via forecasting of patient physiology

arxiv url: http://arxiv.org/abs/2603.08242v1
Date: Mon, 09 Mar 2026 11:15:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-10 15:13:15.827087
Title: Optimising antibiotic switching via forecasting of patient physiology
Title（参考訳）: 患者生理学の予測による抗生物質スイッチングの最適化
Authors: Magnus Ross, Nel Swanepoel, Akish Luintel, Emma McGuire, Ingemar J. Cox, Steve Harris, Vasileios Lampos,
Abstract要約: 静脈内(IV)から経口抗生物質療法へのタイムリーな移行は、病院滞在を短縮し、カテーテル関連感染症を減少させ、医療費を低下させる。イングランドの5人に1人の患者が、交換基準を満たしているにもかかわらず、IV型抗生物質を服用している。本稿では,脳神経プロセスを用いて,臨床ガイドラインに対する予測を比較して,スイッチ可読性を予測し,バイタルサイントラジェクトリを確率的にモデル化することを提案する。
参考スコア（独自算出の注目度）: 1.4169787605431132
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Timely transition from intravenous (IV) to oral antibiotic therapy shortens hospital stays, reduces catheter-related infections, and lowers healthcare costs, yet one in five patients in England remain on IV antibiotics despite meeting switching criteria. Clinical decision support systems can improve switching rates, but approaches that learn from historical decisions reproduce the delays and inconsistencies of routine practice. We propose using neural processes to model vital sign trajectories probabilistically, predicting switch-readiness by comparing forecasts against clinical guidelines rather than learning from past actions, and ranking patients to prioritise clinical review. The design yields interpretable outputs, adapts to updated guidelines without retraining, and preserves clinical judgement. Validated on MIMIC-IV (US intensive care, 6,333 encounters) and UCLH (a large urban academic UK hospital group, 10,584 encounters), the system selects 2.2-3.2$\times$ more relevant patients than random. Our results demonstrate that forecasting patient physiology offers a principled foundation for decision support in antibiotic stewardship.
Abstract（参考訳）: 経静脈的(IV)から経口抗生物質療法へのタイムリーな移行は、入院期間を短縮し、カテーテル関連感染症を減少させ、医療費を低減させるが、イングランドの5人に1人の患者は、切り替え基準を満たしたにもかかわらずIV抗生物質を服用している。臨床意思決定支援システムは、切り替え率を改善することができるが、歴史的意思決定から学ぶアプローチは、日常的な実践の遅延と矛盾を再現する。本稿では,脳神経プロセスを用いてバイタルサイントラジェクトリを確率的にモデル化し,過去の行動から学ぶのではなく,臨床ガイドラインに対する予測を比較してスイッチ可読性を予測し,患者に臨床検査を優先させる手法を提案する。この設計は解釈可能な出力を出力し、再トレーニングせずに最新のガイドラインに適応し、臨床判定を保持する。 MIMIC-IV (US intensive care, 6,333 encounters) と UCLH (大都市大学病院グループ, 10,584 encounters) で検証され、ランダムよりも2.2-3.2$\times$以上の患者を選択する。以上の結果から, 患者生理学予測は, 抗生物質スチュワードシップにおける意思決定支援の基盤となることが示唆された。

関連論文リスト

An Interpretable AI Tool for SAVR vs TAVR in Low to Intermediate Risk Patients with Severe Aortic Stenosis [3.1857591443934816]
我々は、予測マッチング、偽結果モデリング、最適ポリシーツリー(OPT)を統合した解釈可能な規範的フレームワークを導入する。 OPT処方薬が適用されれば、5年間の死亡率はハートフォードでは20.3%、セントビンセントでは13.8%と推定された。
論文参考訳（メタデータ） (2025-12-11T05:54:22Z)
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)
Towards Personalised Patient Risk Prediction Using Temporal Hospital Data Trajectories [0.9545101073027095]
本研究では,集中治療単位患者を滞在中の観察データの軌跡によってグループ化するパイプラインを提案する。 ICUステークの最初の4時間のみのデータにパイプラインを適用すると、患者の大多数が、滞在期間全体を考慮した場合と同じクラスタに割り当てられる。
論文参考訳（メタデータ） (2024-07-12T15:53:26Z)
A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis [3.5280004326441365]
PatWay-Netは、敗血症患者の集中治療室への入院の予測を解釈するために設計されたMLフレームワークである。本稿では,新しいタイプのリカレントニューラルネットワークを提案し,それを多層パーセプトロンと組み合わせて患者経路を処理する。我々は、患者の健康状態、予測結果、関連するリスクを視覚化する包括的ダッシュボードを通じて、その実用性を実証する。
論文参考訳（メタデータ） (2024-05-21T20:31:42Z)
Learning Optimal Treatment Strategies for Sepsis Using Offline Reinforcement Learning in Continuous Space [4.031538204818658]
本稿では,臨床医がリアルタイム治療に最適な基準選択を推奨するのに役立つ,歴史的データに基づく新しい医療決定モデルを提案する。本モデルでは, オフライン強化学習と深層強化学習を組み合わせることで, 医療における従来の強化学習が環境と相互作用できない問題に対処する。
論文参考訳（メタデータ） (2022-06-22T16:17:21Z)
Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2021-12-07T16:40:28Z)
COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文参考訳（メタデータ） (2021-09-14T14:16:32Z)
Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
論文参考訳（メタデータ） (2021-05-05T05:51:30Z)
Predicting Clinical Deterioration in Hospitals [0.8329456268842225]
電子カルテに機械学習を適用し,患者が臨床劣化のリスクがあるかどうかを推定する。成功すれば、病院は我々のアプローチを既存のITシステムに統合し、モデルによって生成されたアラートを使用して、ICU転送、心停止、または死を防ぐことができる。
論文参考訳（メタデータ） (2021-02-11T06:03:36Z)
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)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。