論文の概要: Benchmarking Machine Learning Architectures for Antimicrobial Stewardship in Pediatric ICUs
- arxiv url: http://arxiv.org/abs/2605.22611v1
- Date: Thu, 21 May 2026 15:26:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:42.322554
- Title: Benchmarking Machine Learning Architectures for Antimicrobial Stewardship in Pediatric ICUs
- Title（参考訳）: 小児ICUにおける抗菌スチュワードのための機械学習アーキテクチャのベンチマーク
- Authors: Niklas Raehse, Luregn J. Schlapbach, Daphné Chopard,
- Abstract要約: 小児集中治療器(PICU)における抗微生物スチュワードシップ(AMS)の意義
機械学習は、電子健康記録データから患者レベルの介入機会を特定するための有望なアプローチを提供する。
公開データセットと民間機関コホートを用いたPICUにおけるAMS介入予測の系統的ベンチマークを行った。
- 参考スコア（独自算出の注目度）: 1.113021697417606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Antimicrobial stewardship (AMS) is critical in pediatric intensive care units (PICUs), where diagnostic uncertainty often drives broad-spectrum antibiotic use, increasing antimicrobial resistance and potential long-term harms. Machine learning offers a promising approach for identifying patient-level opportunities for stewardship interventions from electronic health record data, yet prior work has focused largely on adult populations and static tabular representations. We present a systematic benchmarking study of AMS intervention prediction in the PICU across a public dataset and a private institutional cohort. We define four clinically relevant proxy targets for reducing antibiotic exposure: intravenous-to-oral switching, de-escalation, discontinuation, and short-course therapy. Under a unified evaluation framework, we compare tabular, sequence-based, and graph-based temporal models at multiple temporal resolutions. We find that predictive performance is driven primarily by target prevalence and dataset characteristics rather than model complexity. Sequence models improve the precision-recall trade-off over tabular approaches at coarse (24-hour) resolution, while finer temporal modeling provides limited additional benefit. However, these gains come at the cost of poorer calibration, with simpler tabular models yielding more reliable probability estimates. Multi-task learning produces only marginal improvements, suggesting limited shared structure across stewardship targets. Our findings highlight the importance of target design, temporal representation, and calibration in clinical machine learning, and provide practical guidance for developing reliable decision support systems for pediatric AMS.
- Abstract（参考訳）: 抗微生物スチュワードシップ(AMS)は小児集中治療ユニット(PICUs)において重要であり、診断の不確実性はしばしば広帯域の抗生物質の使用を誘発し、抗微生物抵抗性を高め、長期的危害をもたらす。
機械学習は、電子健康記録データから患者レベルの介入機会を特定するための有望なアプローチを提供するが、以前の研究は主に成人人口と静的な表象表現に焦点を当ててきた。
公開データセットと民間機関コホートを用いたPICUにおけるAMS介入予測の系統的ベンチマークを行った。
本研究は, 経静脈的経口的切換, 脱エスカレーション, 中止, 短期療法の4つの臨床的に関連のあるプロキシターゲットを定義した。
統合評価フレームワークでは、複数の時間分解能で表型、シーケンスベース、グラフベースの時間モデルを比較する。
予測性能は、主にモデルの複雑さではなく、ターゲットの有病率とデータセットの特徴によって駆動される。
シーケンスモデルは、粗い(24時間)解像度での表のアプローチよりも正確なリコールトレードオフを改善する一方で、より微細な時間的モデリングは、限られた追加の利益をもたらす。
しかし、これらの利得はキャリブレーションの低さの犠牲となり、より単純な表式モデルによりより信頼性の高い確率推定が得られる。
マルチタスク学習は限界的な改善しか生み出せず、スチュワードシップターゲット間の共有構造が制限されていることを示唆している。
本研究は, 臨床機械学習におけるターゲット設計, 時間的表現, 校正の重要性を強調し, 小児AMSのための信頼性の高い意思決定支援システム開発のための実践的ガイダンスを提供する。
関連論文リスト
- TA-RNN-Medical-Hybrid: A Time-Aware and Interpretable Framework for Mortality Risk Prediction [0.9558392439655014]
提案フレームワークは,予測精度と臨床解釈可能性のギャップを埋めるものである。
これは、確立した医療知識に沿った臨床的に有意義な説明を提供する。
提案するフレームワークは,大規模ICU意思決定支援システムに対して,スケーラブルで透過的なソリューションを提供する。
論文 参考訳（メタデータ） (2026-03-09T11:49:42Z) - Benchmarking Early Deterioration Prediction Across Hospital-Rich and MCI-Like Emergency Triage Under Constrained Sensing [0.0]
早期劣化予測のためのリーク対応ベンチマークフレームワークを提案する。
病院に豊富なトリアージとバイタルオンリーのMCIライクな設定を比較し,プレゼンテーション開始後1時間以内に利用可能な情報への入力を制限する。
論文 参考訳（メタデータ） (2026-02-09T09:32:49Z) - Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。
従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。
本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
論文 参考訳（メタデータ） (2026-01-12T15:03:53Z) - Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。
本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-07-20T07:32:41Z) - CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。
提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文 参考訳（メタデータ） (2024-11-01T15:54:07Z) - Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients [7.727213847237959]
本研究では,GRU(Gated Recurrent Units)と高度な内在的・ポストホック的解釈可能性技術を統合した新しい手法を提案する。
ICU患者に対するMDR(Multidrug-Resistant)感染に関連する危険因子の特定を目的とした。
論文 参考訳（メタデータ） (2024-07-24T11:12:01Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳（メタデータ） (2023-03-05T03:54:54Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳（メタデータ） (2021-08-31T08:23:56Z) - 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) - 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。