論文の概要: Identification of physiological shock in intensive care units via Bayesian regime switching models

• arxiv url: http://arxiv.org/abs/2603.22208v2
• Date: Wed, 25 Mar 2026 23:30:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 13:32:29.879574
• Title: Identification of physiological shock in intensive care units via Bayesian regime switching models
• Title（参考訳）: ベイズ体制切替モデルによる集中治療室の生理的ショックの同定
• Authors: Emmett B. Kendall, Jonathan P. Williams, Curtis B. Storlie, Misty A. Radosevich, Erica D. Wittwer, Matthew A. Warner,
• Abstract要約: 集中治療室(ICU)患者におけるオカルト出血(内出血)の検出は、クリティカルケアワーカーにとって重大な課題となる。 血液の喪失は必ずしも臨床的に明らかではないため、臨床医は出血の兆候を示す特定の傾向をモニターすることに依存する。 本論文は, 実際のICU患者33,924名を対象に, マヨクリニックから収集した包括的データセットに動機付けられている。
• 参考スコア（独自算出の注目度）: 0.04346387873320742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detection of occult hemorrhage (i.e., internal bleeding) in patients in intensive care units (ICUs) can pose significant challenges for critical care workers. Because blood loss may not always be clinically apparent, clinicians rely on monitoring vital signs for specific trends indicative of a hemorrhage event. The inherent difficulties of diagnosing such an event can lead to late intervention by clinicians which has catastrophic consequences. Therefore, a methodology for early detection of hemorrhage has wide utility. We develop a Bayesian regime switching model (RSM) that analyzes trends in patients' vitals and labs to provide a probabilistic assessment of the underlying physiological state that a patient is in at any given time. This article is motivated by a comprehensive dataset we curated from Mayo Clinic of 33,924 real ICU patient encounters. Longitudinal response measurements are modeled as a vector autoregressive process conditional on all latent states up to the current time point, and the latent states follow a Markov process. We present a novel Bayesian sampling routine to learn the posterior probability distribution of the latent physiological states, as well as develop an approach to account for pre-ICU-admission physiological changes. A simulation and real case study illustrate the effectiveness of our approach.
• Abstract（参考訳）: 集中治療室(ICU)患者におけるオカルト出血(内出血)の検出は、クリティカルケアワーカーにとって重大な課題となる。 血液の喪失は必ずしも臨床的に明らかではないため、臨床医は出血の兆候を示す特定の傾向をモニターすることに依存する。 このような事象を診断することの固有の困難は、破滅的な結果をもたらす臨床医による遅発的な介入につながる可能性がある。 したがって、早期に出血を検出できる方法が有用である。 本研究では,患者のバイタルや検査室の傾向を解析し,患者が常に持っている基礎的生理状態の確率論的評価を行うベイズ体制切替モデル(RSM)を開発した。 本論文は, 実際のICU患者33,924名を対象に, マヨクリニックから収集した包括的データセットに動機付けられている。 縦応答測定は、現在時点までの全ての潜伏状態におけるベクトル自己回帰過程条件としてモデル化され、潜伏状態はマルコフ過程に従う。 我々は,潜伏する生理状態の後方分布を学習し,ICU導入前の生理的変化を考慮に入れた新しいベイズサンプリングルーチンを提案する。 シミュレーションと実ケーススタディは、我々のアプローチの有効性を示している。

関連論文リスト

• Machine learning for cerebral blood vessels' malformations [38.524104108347764]
  脳動脈瘤と動静脈奇形は、生命を脅かす脳の血行動態である。 脳血流のパラメータは、リスクアセスメントと治療予後のための機械学習支援プロトコルに利用できる可能性がある。
  論文  参考訳（メタデータ） (2024-11-25T12:58:00Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• A Knowledge Distillation Approach for Sepsis Outcome Prediction from Multivariate Clinical Time Series [2.621671379723151]
  我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。 我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
  論文  参考訳（メタデータ） (2023-11-16T05:06:51Z)
• Vital Sign Forecasting for Sepsis Patients in ICUs [5.543372375499915]
  本稿では,最先端のディープラーニング(DL)アーキテクチャを用いて,多段階予測システムを提案する。 我々は,過去6時間のデータから,今後3時間分のバイタルサインを予測できるDLベースのバイタルサイン予測システムを導入する。 平均二乗誤差 (MSE) と動的時間歪み (DTW) 測定値を用いて, モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2023-11-08T15:47:58Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• A New Deep State-Space Analysis Framework for Patient Latent State Estimation and Classification from EHR Time Series Data [1.0970480513577103]
  深部状態空間モデルを用いたERHの時系列教師なし学習を用いた「深部状態空間解析フレームワーク」を提案する。 このフレームワークは、病気の進行に関連する患者潜伏状態における時間的変化の学習、可視化、およびクラスタリングを可能にする。 12,695人のがん患者の時系列検査データを用いて,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-07-21T10:45:08Z)
• Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time [66.08455276899578]
  適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。 逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。 本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
  論文  参考訳（メタデータ） (2023-06-07T08:51:06Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 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)

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。