論文の概要: Predicting Lethal Outcome (Cause) And Understanding Key Biomarkers Linked With Acute Myocardial Infarction Using Deep Artificial Neural Network And Ensemble Of Machine Learning Methodologies
- arxiv url: http://arxiv.org/abs/2607.00472v1
- Date: Wed, 01 Jul 2026 05:46:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.74082
- Title: Predicting Lethal Outcome (Cause) And Understanding Key Biomarkers Linked With Acute Myocardial Infarction Using Deep Artificial Neural Network And Ensemble Of Machine Learning Methodologies
- Title（参考訳）: 深部ニューラルネットワークを用いた急性心筋梗塞の致死的アウトカム予測とバイオマーカーの理解と機械学習手法の融合
- Authors: Sagnik Ghosh,
- Abstract要約: 急性心筋梗塞(MI)は毎年何百万人もの命を奪っている。
MIは、冠動脈への血流が遮断または縮小されたときに起こる。
我々はMIの致命的な結果を予測する自動モデルを導入する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiovascular disease is still one of the main causes of death around the world. Acute myocardial infarction (MI), or heart attack, claims millions of lives each year. MI happens when blood flow to the coronary arteries is blocked or reduced, which causes permanent damage to the heart muscle. Without treatment, this can lead to cardiac arrest, where the heart stops pumping blood to the organs, resulting in organ failure and death. Even survivors often face serious problems like heart failure, pulmonary edema, and asystole. Research shows that 5 to 10 percent of survivors die within the first year after an MI, and nearly half need to be hospitalized again. Early thrombolytic treatment leads to better outcomes, so there is a clear need for faster and more accurate ways to diagnose MI. Right now, doctors usually review patient history and use their own experience to find the causes of MI. This process takes a lot of time and can be inconsistent. Detecting MI accurately and quickly can help patients take better care of themselves and prevent fatal events. In this study, we introduce an automated model to predict deadly outcomes of MI and help doctors understand important biomarkers linked to its complications. This approach aims to make diagnosis clearer, faster, and more affordable. The process includes preparing the data, filling in missing values, and handling imbalanced data using SVMSMOTE, ADASYN, and class-weighted methods. We use wrapper and embedded feature selection to find the most important variables, then scale the features for consistency. The model combines Logistic Regression, Random Forest, Light-GBM, and Bagging SVM, and is further improved with an artificial neural network to increase accuracy. We evaluate all models using precision, recall, and other key measures to find the best option for clinical use.
- Abstract（参考訳）: 心臓血管疾患はいまだに世界中の死因の1つである。
急性心筋梗塞(MI)または心臓発作は、毎年数百万人の命を奪っている。
MIは、冠動脈への血流が遮断または減少し、心臓の筋肉に永続的な損傷を与えるときに起こる。
治療がないと心臓が停止し、心臓が臓器に血液を送り込むのを止め、臓器の不全と死をもたらす。
生存者でさえ、心不全、肺浮腫、喘息などの深刻な問題に直面していることが多い。
研究によると、生存者の5～10%はMI後1年以内に死亡し、半数近くは再び入院する必要がある。
早期の血栓溶解療法はより良い結果をもたらすため、MIの迅速かつ正確な診断方法の必要性は明らかである。
現在、医師は患者の歴史をレビューし、MIの原因を見つけるために自身の経験を使っています。
このプロセスには多くの時間が必要で、一貫性がありません。
MIを正確にかつ迅速に検出することは、患者が自分自身をよりよく治療し、致命的な出来事を防ぐのに役立つ。
本研究では,MIの致命的な結果を予測する自動モデルを導入し,その合併症に関連する重要なバイオマーカーの理解を支援する。
このアプローチは、診断をより明確で、より速く、より安価にすることを目的としています。
このプロセスは、データの準備、不足値の記入、SVMSMOTE、ADASYN、クラス重み付けされたメソッドを使った不均衡データの処理を含む。
最も重要な変数を見つけるためにラッパーと組み込みの機能選択を使い、一貫性のために機能をスケールします。
このモデルは、ロジスティック回帰、ランダムフォレスト、Light-GBM、Baging SVMを組み合わせており、精度を高めるために人工知能ニューラルネットワークによってさらに改善されている。
我々は, 精度, リコール, その他の重要な指標を用いて, 全てのモデルを評価し, 臨床応用に最適な選択肢を見出す。
関連論文リスト
- A dual-task mutual learning framework for predicting post-thrombectomy cerebral hemorrhage [42.24368372333753]
患者の初回CT検査のみを用いて術後脳出血を計測するための新しい予測枠組みを提案する。
本手法では, 最新診断法よりも追跡CTの精度が向上し, 追跡診断ラベルの精度が86.37%向上した。
論文 参考訳（メタデータ） (2024-08-01T22:08:52Z) - Self-pruning Graph Neural Network for Predicting Inflammatory Disease
Activity in Multiple Sclerosis from Brain MR Images [10.312631192694479]
多発性硬化症(Multiple Sclerosis, MS)は、中枢神経系の炎症性病変を特徴とする重度の神経疾患である。
本稿では,2段階のMS炎症性疾患活動予測手法を提案する。まず3次元セグメンテーションネットワークが病変を検知し,自己管理アルゴリズムが画像の特徴を抽出する。
次に、検出された病変を患者グラフ構築に使用し、その空間的近接に基づいて病変を接続し、炎症性疾患活動予測をグラフ分類タスクとして定式化する。
論文 参考訳（メタデータ） (2023-08-31T17:05:14Z) - Ensemble Framework for Cardiovascular Disease Prediction [0.0]
心臓病は、世界中でコミュニケーション不能で無音な死の主な原因である。
我々は,ExtraTrees,Random Forest,XGBoostなど,複数の機械学習アルゴリズムを用いたアンサンブルを組み込んだフレームワークを提案している。
提案手法は,既存の文献よりも高い92.34%の精度を実現した。
論文 参考訳（メタデータ） (2023-06-16T17:37:43Z) - Temporal-spatial Correlation Attention Network for Clinical Data
Analysis in Intensive Care Unit [27.885961694582896]
本稿では,臨床特性予測問題に対処するための時間・適応相関注意ネットワーク(TSCAN)を提案する。
本手法は,アテンションメカニズムモデルの設計に基づいて,臨床データおよび無関係ノードにおける無関係項目を効果的に除去することができる。
また,治療方法の改善に有効な重要な結果を示す重要な臨床指標も見出すことができる。
論文 参考訳（メタデータ） (2023-06-03T00:38:40Z) - An Improved Heart Disease Prediction Using Stacked Ensemble Method [0.9187159782788579]
機械学習を用いた心疾患予測システムを構築した。
心臓疾患のある人と正常な人とを簡単に区別することができる。
論文 参考訳（メタデータ） (2023-04-12T17:53:59Z) - Benchmarking Continuous Time Models for Predicting Multiple Sclerosis
Progression [46.394865849252696]
多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。
最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。
公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。
最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
論文 参考訳（メタデータ） (2023-02-15T18:45:32Z) - Deep-learning-enabled Brain Hemodynamic Mapping Using Resting-state fMRI [35.87417668902519]
RS-fMRIは脳循環動態のマッピングや障害のデライン化に有用である。
RS-fMRIにおける呼吸パターンの時間変化を利用して、深層学習は脳血管反応性の再現可能なマッピングを可能にする。
論文 参考訳（メタデータ） (2022-04-25T14:03:46Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Machine Learning and Ensemble Approach Onto Predicting Heart Disease [0.0]
心臓血管疾患(英: Cardiovascular disease, CVD)は、心臓疾患ともいわれ、ここ数十年でヒトの死因として徐々に成長してきた疾患である。
本稿では,ロジスティック回帰,近縁近傍,サポートベクトルマシン,決定木,ガウスのナイーブベイズ,ランダムフォレスト,多層知覚論(人工ニューラルネットワーク)などの分類モデルの訓練に提供されるデータを活用する。
論文 参考訳（メタデータ） (2021-11-16T18:00:22Z) - Microscope Based HER2 Scoring System [37.747953235497256]
完全診断のためのHER2スコアリングガイドラインに従うリアルタイムHER2スコアリングシステムを提案する。
従来の全スライディング画像に基づくスコアリングシステムとは異なり、我々のHER2スコアリングシステムは拡張現実顕微鏡に統合されている。
論文 参考訳（メタデータ） (2020-09-15T01:44:39Z) - A Novel Approach to the Diagnosis of Heart Disease using Machine
Learning and Deep Neural Networks [0.0]
本研究の目的は、機械学習(ML)とディープニューラルネットワーク(DNN)アルゴリズムを用いた心臓疾患診断のためのアプリケーションを開発することである。
このアプリケーションは、Frask上で動作し、DNNを使用してBootstrapを利用するように開発され、Random Forest MLモデルよりも92%の精度で実行された。
論文 参考訳（メタデータ） (2020-07-25T19:08:04Z)
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。