論文の概要: ARMD-Predict: multi-site machine learning to predict antibiotic resistance before culture results

• arxiv url: http://arxiv.org/abs/2610.32998v1
• Date: Tue, 06 Oct 2026 01:29:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:06:26.123901
• Title: ARMD-Predict: multi-site machine learning to predict antibiotic resistance before culture results
• Title（参考訳）: ARMD予測:マルチサイト機械学習による抗生物質耐性の予測
• Abstract要約: 臨床医は、培養感受性試験が利用可能になる前に、経験的抗生物質を選択する。 我々は,4つの学術的医療センターから75万の培養抗生物質を観察し,ARMD予測を開発した。
• 参考スコア（独自算出の注目度）: 25.730783046694583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinicians select empiric antibiotics before culture susceptibility results are available. Electronic health record (EHR) models could inform that choice, but most are developed at a single hospital and transport poorly to others. We developed ARMD-Predict using 7.5 million culture-antibiotic observations from four academic medical centers. One set of models estimates susceptibility to individual antibiotics; a second, hierarchical set predicts the infecting organism and then organism-specific resistance phenotypes. Across 23 pooled susceptibility models evaluated in same-period, patient-grouped test partitions, median area under the receiver operating characteristic curve (AUROC) was 0.77 for inpatient urine and 0.70 for inpatient blood cultures; chronological retraining reduced AUROC by approximately 0.04. At an exploratory threshold with 95% positive predictive value, derived and evaluated on the same test observations, the model identified 55% of ceftriaxone-susceptible inpatient urine observations as suitable for narrower therapy and flagged 60% of ceftriaxone-resistant observations for broader coverage. Organism classifiers achieved top-3 accuracy of 51.3-83.3%; phenotype AUROCs were conditional on the observed organism. Research applications are available at https://armd-predict.stanford.edu. Independent calibration, threshold and end-to-end prospective validation are required before clinical use.
• Abstract（参考訳）: 臨床医は、培養感受性試験が利用可能になる前に、経験的抗生物質を選択する。 電子健康記録(EHR)モデルは、その選択を知らせる可能性があるが、そのほとんどは単一の病院で開発され、他者への輸送が不十分である。 我々は,4つの学術的医療センターから75万の培養抗生物質を観察し,ARMD予測を開発した。 1組のモデルでは、個々の抗生物質に対する感受性を推定し、2つめの階層的なセットは、感染する生物と、それから生物固有の抵抗性表現型を予測する。 同一期間, 患者群別試験区, 受信者操作特性曲線 (AUROC) の中央値が0.77例, 入院血液培養では0.70例であり, 時間的再トレーニングによりAUROCは約0.04例減少した。 同じ検査結果から95%の正の予測値を持つ探索しきい値において, 患者尿中セフトラクソン感受性の55%は, より狭い治療に適しており, 広範囲にわたってセフトラクソン耐性の60%はフラグ付きであった。 生物分類器は51.3-83.3%で、表現型AUROCは観察された生物に条件付きである。 研究アプリケーションはhttps://armd-predict.stanford.edu.comで公開されている。 臨床使用の前には、独立した校正、しきい値、エンドツーエンドの検証が必要である。

関連論文リスト

• Explainable Machine Learning for Sepsis Outcome Prediction Using a Novel Romanian Electronic Health Record Dataset [0.5277756703318045]
  本研究の目的は,3つの分類課題にまたがる最先端の成果を達成しつつ,臨床的に強い予測因子を同定することである。 Eosinopeniaはトップ予測ツールとして登場し、現在の評価基準に含まれていない未使用のマーカーとしての価値を強調した。
  論文  参考訳（メタデータ） (2026-04-06T14:07:23Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Utilizing Machine Learning Models to Predict Acute Kidney Injury in Septic Patients from MIMIC-III Database [0.0]
  セプシス(Sepsis)は、体が感染に対して正しく反応しない重篤な疾患である。 敗血症患者では、約50%が急性腎障害(AKI)を発症する。 敗血症患者の特徴に基づいてAKIを正確に予測できるモデルは早期発見と介入に不可欠である。
  論文  参考訳（メタデータ） (2024-12-04T22:05:35Z)
• TBBC: Predict True Bacteraemia in Blood Cultures via Deep Learning [0.0]
  バクテリア血症(Bacteraemia)は、高い死亡率と死亡率を持つ血流感染症であり、重要な診断上の課題である。 この論文は、細菌性貧血を予測するための最適な機械学習技術を特定し、セント・アントニウス病院の救急部門のデータを用いて予測モデルを開発することを目的としている。
  論文  参考訳（メタデータ） (2024-10-25T05:25:01Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Joint Application of the Target Trial Causal Framework and Machine Learning Modeling to Optimize Antibiotic Therapy: Use Case on Acute Bacterial Skin and Skin Structure Infections due to Methicillin-resistant Staphylococcus aureus [5.611469725376418]
  メチシリン耐性黄色ブドウ球菌(MRSA)による急性細菌性皮膚・皮膚構造感染症(ABSSSI)の死亡予測とITE推定の機械学習モデルを開発した。 まず、確率スコアマッチングを用いて臨床試験をエミュレートし、ランダム化された治療データセット(バンコマイシンと他の抗生物質)を作成します。 次に、このデータを用いて様々な機械学習手法(強化/LASSOロジスティック回帰、サポートベクターマシン、ランダムフォレストなど)を訓練し、ブートストラップ検証により受信特性(AUC)の下の領域で最適なモデルを選択する。
  論文  参考訳（メタデータ） (2022-07-15T13:08:15Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。