論文の概要: Validating a Deep Learning Algorithm to Identify Patients with Glaucoma using Systemic Electronic Health Records
- arxiv url: http://arxiv.org/abs/2604.20921v1
- Date: Wed, 22 Apr 2026 05:07:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.094975
- Title: Validating a Deep Learning Algorithm to Identify Patients with Glaucoma using Systemic Electronic Health Records
- Title（参考訳）: 全身電子健康記録を用いた緑内障患者同定のための深層学習アルゴリズムの検証
- Authors: John Xiang, Rohith Ravindranath, Sophia Y. Wang,
- Abstract要約: 緑内障リスクアセスメント(GRA)モデルを用いて,全米国全国データを用いて緑内障リスクアセスメント(GRA)モデルを用いて,緑内障のリスクの高い患者を識別できるかどうかを検討した。
プレトレーニングされたGRAモデルは、スタンフォードコホートで微調整され、人口統計学、全身診断、医薬品、実験結果、および身体検査測定を用いて、ホールドアウトセットでテストされた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We evaluated whether a glaucoma risk assessment (GRA) model trained on All of Us national data can identify patients at high probability of glaucoma using only systemic electronic health records (EHR) at an independent institution. In this cross-sectional study, 20,636 Stanford patients seen from November 2013 to January 2024 were included (15% with glaucoma). A pretrained GRA model was fine-tuned on the Stanford cohort and tested on a held-out set using demographics, systemic diagnoses, medications, laboratory results, and physical examination measurements as inputs. The best model achieved AUROC 0.883 and PPV 0.657. Calibration was consistent with clinical risk: the highest prediction decile showed the greatest glaucoma diagnosis rate (65.7%) and treatment rate (57.0%). Performance improved with more trainable layers up to 15 and with additional data. An EHR-only GRA model may enable scalable and accessible pre-screening without specialized imaging.
- Abstract（参考訳）: 全国データを用いた緑内障リスクアセスメント(GRA)モデルで緑内障の確率の高い患者を特定できるかどうかを, 独立機関における全身電子健康記録(EHR)のみを用いて検討した。
この横断的調査では、2013年11月から2024年1月までに2,636人のスタンフォード患者(緑内障の15%)が観察された。
プレトレーニングされたGRAモデルは、スタンフォードコホートで微調整され、人口統計学、全身診断、医薬品、実験結果、身体検査測定を入力として使用した。
最高のモデルではAUROC 0.883とPV 0.657が達成された。
校正は臨床リスクと一致しており、最も高い予測は緑内障の診断率(65.7%)と治療率(57.0%)であった。
パフォーマンスは15までのトレーニング可能なレイヤと追加データで改善された。
EHRのみのGRAモデルは、特殊なイメージングなしでスケーラブルでアクセスしやすい事前スクリーニングを可能にする。
関連論文リスト
- A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。
本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。
バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
論文 参考訳（メタデータ） (2025-03-28T05:47:44Z) - Artificial Intelligence-Driven Prognostic Classification of COVID-19 Using Chest X-rays: A Deep Learning Approach [0.0]
本研究では,Chest X線画像を用いて,新型コロナウイルスの重症度(中・中・重症度)を分類するための高精度深層学習モデルを提案する。
平均精度は97%,特異性は99%,感度は87%,F1スコアは93.11%であった。
これらの結果は、実際の臨床応用におけるモデルの可能性を示している。
論文 参考訳（メタデータ） (2025-03-17T15:27:21Z) - Symptom-based Machine Learning Models for the Early Detection of
COVID-19: A Narrative Review [0.0]
機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。
本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。
また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
論文 参考訳（メタデータ） (2023-12-08T01:41:42Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Development and Validation of a Deep Learning Model for Prediction of
Severe Outcomes in Suspected COVID-19 Infection [9.524156465126758]
救急外来(ed)に初診した患者の予測結果を伴うトリエイジングは、患者の予後を改善する上で重要である。
我々は、患者の結果を予測するために深い機能融合モデルを訓練した。
モデルアウトプットは、最も非感受性な酸素療法が要求される患者の結果であった。
新型コロナウイルス重篤な結果(CO-RISKスコア)の予測リスクスコアは、モデルアウトプットから導出され、テストデータセットで評価された。
論文 参考訳（メタデータ） (2021-03-21T00:03:27Z) - Efficient and Visualizable Convolutional Neural Networks for COVID-19
Classification Using Chest CT [0.0]
新型コロナウイルスは2020年12月4日現在、世界中で6500万人以上が感染している。
ディープラーニングは有望な診断技術として登場した。
本稿では,40種類の畳み込みニューラルネットワークアーキテクチャを新型コロナウイルスの診断のために評価・比較する。
論文 参考訳（メタデータ） (2020-12-22T07:09:48Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - 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)
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。