Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Foundation Model of Electronic Medical Records for Adaptive Risk Estimation

Created by
  • Haebom

作者

Pawel Renc, Michal K. Grzeszczyk, Nassim Oufattole, Deirdre Goode, Yugang Jia, Szymon Bieganski, Matthew BA McDermott, Jaroslaw Was, Anthony E. Samir, Jonathan W. Cunningham, David W. Bates, Arkadius Sitek

概要

本論文は、既存の静的かつ固定されたしきい値を使用する初期警告システム(NEWS、MEWS)の限界を克服するために、患者の健康時間経過(PHT)をトークン化してトランスフォーマーベースのアーキテクチャを使用するAIモデルであるETHOSを開発し、これを活用して動的でパーソナライズされたリスク確率を計算する適応型リスクシステムARESには、臨床医によって定義された重要なイベントの動的で個人化されたリスクの確率が計算され、患者固有のリスク要因を強調する個人化された説明可能性モジュールも含まれています。 MIMIC-IV v2.2データセットを使用してARESを評価した結果、従来の初期警告システムおよび最新の機械学習モデルよりも入院、集中治療室入院、および長期入院予測で優れたAUCスコアが達成されました。人口統計的サブ集団全体で堅牢なリスク推定値を示し,補正曲線はモデルの信頼性を確認した。説明可能性モジュールは、患者特異的リスク要因に関する貴重な洞察を提供した。

Takeaways、Limitations

Takeaways:
従来の初期警告システムよりも精度の高い動的でパーソナライズされたリスク予測システムを提示します。
患者固有のリスク要因を説明するモジュールによる医師の意思決定支援。
ETHOSモデルの優れた性能と堅牢性を実証。
ソースコード開示による今後の研究の活性化
Limitations:
実際の臨床環境におけるARESの有用性検証が必要です。
臨床的影響に対する不確実性の存在
👍