論文の概要: Pre-AF 13: An Interpretable Atrial Fibrillation Risk Score Mined from Discharge Reports

• arxiv url: http://arxiv.org/abs/2606.10725v2
• Date: Wed, 10 Jun 2026 06:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 14:23:44.391556
• Title: Pre-AF 13: An Interpretable Atrial Fibrillation Risk Score Mined from Discharge Reports
• Title（参考訳）: Pre-AF 13: 放電報告から推測できる心房細動リスクスコア
• Authors: Olga Shakhmatova, Dmitrii Kriukov, Daniil Larionov, Nikita Khromov, Iaroslav Bespalov, Alexander Zolotarev, Kirill Grishchenkov, Ekaterina Ivanova, Miron Kuznetsov, Ilya Sochenkov, Elizaveta Panchenko, Artem Shelmanov, Dmitry V. Dylov,
• Abstract要約: 心房細動 (AF) は心臓不整脈で最も多く、予後の決定因子である。 CVD患者のAFリスクを24カ月間予測する解釈可能なMLモデルを構築した。 45,000人の患者の80,576件の記録のうち、17,562件が包括的基準を満たし、1,438件(8.19%)がAFを開発した。
• 参考スコア（独自算出の注目度）: 35.15225826613469
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background. Atrial fibrillation (AF) is the most prevalent cardiac arrhythmia and a major determinant of prognosis. Established AF risk scores rely on factors (older age, hypertension) nearly ubiquitous among patients with cardiovascular disease (CVD), offering limited stratification in this high-risk group. Most target long-term (5-10 year) rather than medium-term prediction. We developed interpretable ML models predicting AF risk over a 24-month and entire follow-up horizon in CVD patients using routinely collected hospital data. Methods. Single-center retrospective study of electronic health records from the National Research Cardiology Center (Russia) for patients aged >=18 with CVD but without pre-existing AF, hospitalized more than once between January 2012 and May 2019. A custom NLP pipeline transformed unstructured discharge reports into 73 structured features, combining a rule-based parser with transformer-based NER. Using LightAutoML we built a full model (73 features), a simple model (reduced subset), and a linear model for a bedside risk score. Performance was assessed by ROC AUC, compared with CHARGE-AF, C2HEST, MHS, and HAVOC, and interpreted via SHAP. Results. Of 80,576 records from 45,000 patients, 17,562 met inclusion criteria; 1,438 (8.19%) developed AF. The full model reached ROC AUC 0.735 (24-month) and 0.696 (entire follow-up); the simple model was nearly identical (0.725, 0.696). All non-linear models outperformed the four clinical risk scores (ROC AUC 0.53-0.64). The simple model uses 13 features and is named Pre-AF 13. SHAP identified age and left atrial volume as dominant predictors. A linear risk score (Pre-AF 9) stratified observed 24-month AF incidence from ~7% to 36%. Conclusion. Interpretable ML models built from routinely collected EHR data identify high-AF-risk CVD patients, outperforming established clinical risk scores.
• Abstract（参考訳）: 背景。 心房細動 (AF) は心臓不整脈で最も多く、予後の決定因子である。 AFのリスクスコアは、心血管疾患(CVD)の患者でほぼどこでも見られる因子(高齢者、高血圧)に依存しており、このハイリスクグループでは限られた成層化を提供している。 ほとんどのターゲットは中期予測よりも長期(5～10年)である。 CVD患者に対して, 日常的に収集した病院データを用いて, 24カ月間, 術後24カ月間にAFリスクを予測できる解釈可能なMLモデルを構築した。 メソッド。 2012年1月から2019年5月までに1回以上入院したCVD患者18歳以上を対象に,国立研究心臓センター(ロシア)の電子健康記録を1施設で振り返って検討した。 カスタムのNLPパイプラインは、非構造化放電レポートを73の構造化特徴に変換し、ルールベースのパーサとトランスフォーマーベースのNERを組み合わせた。 LightAutoMLを使って、完全なモデル(73の機能)、シンプルなモデル(リデュースされたサブセット)、ベッドサイドのリスクスコアのための線形モデルを構築しました。 ROC AUCはCHARGE-AF, C2HEST, MHS, HAVOCと比較し, SHAPを用いて解析を行った。 結果。 45,000人の患者の80,576件の記録のうち、17,562件が包括的基準を満たし、1,438件(8.19%)がAFを開発した。 フルモデルがROC AUC 0.735 (24ヶ月) と 0.696 に到達し、単純なモデルはほぼ同じ (0.725, 0.696) となった。 すべての非線形モデルは4つの臨床リスクスコア(ROC AUC 0.53-0.64)を上回った。 単純なモデルでは13の機能が使われており、Pre-AF 13と命名されている。 SHAPは、年齢と左心房容積を支配的な予測因子として同定した。 線形リスクスコア (Pre-AF 9) は24カ月のAFの発生率を7%から36%に分類した。 結論。 EHRデータから構築された解釈可能なMLモデルは、高AFリスクのCVD患者を同定し、確立された臨床リスクスコアを上回った。

関連論文リスト

• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
  腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
  論文  参考訳（メタデータ） (2025-11-21T21:50:34Z)
• Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach [3.5626691568652507]
  集中治療室(ICU)における糖尿病(DM)と心房細動(AF)の死亡率の上昇 DMとAFを併用したICU患者において,28日間の死亡を予測できる解釈可能な機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-06-18T22:04:12Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• A Transformer-based survival model for prediction of all-cause mortality in heart failure patients: a multi-cohort study [5.831730826863567]
  心不全患者の36カ月の死亡を予測できるトランスフォーマーベースのAIモデルであるTRiskを開発した。 英国では1,418例の心不全403,534例(40～90歳)について検討した。
  論文  参考訳（メタデータ） (2025-03-16T01:53:50Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• End-to-end Risk Prediction of Atrial Fibrillation from the 12-Lead ECG by Deep Neural Networks [1.4064206416094476]
  心房細動(英: atrial fibrillation、AF)は、毎年何百万人もの人に影響を及ぼす心不整脈の1つである。 機械学習手法は心電図からAFの発生リスクを評価する上で有望な結果を示している。
  論文  参考訳（メタデータ） (2023-09-28T10:47:40Z)
• Performance of multilabel machine learning models and risk stratification schemas for predicting stroke and bleeding risk in patients with non-valvular atrial fibrillation [22.45448597986172]
  マルチラベル勾配押し上げ機は、脳卒中、大出血、死亡に最適な識別力を与えた。 モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。
  論文  参考訳（メタデータ） (2022-02-02T15:15:03Z)
• A Physiology-Driven Computational Model for Post-Cardiac Arrest Outcome Prediction [0.7930054475711718]
  本研究の目的は,CA後の結果を予測する計算モデルを構築することである。 我々は、生理的時系列(PTS)データの統合と機械学習(ML)分類器の訓練によりモデル性能を向上させることができると仮定した。 その結果, MLモデルによるCA後予測モデルの有効性が証明され, PTSが短期成績確率を符号化した後のごく初期段階に記録されることが示唆された。
  論文  参考訳（メタデータ） (2020-02-09T07:53:50Z)

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。