文献

J-GLOBAL ID：202002252960127459   整理番号：20A2198659

臨床微生物学研究室における機械学習:日常的実践のために時間は来たか?【JST・京大機械翻訳】

Machine learning in the clinical microbiology laboratory: has the time come for routine practice?

著者 (8件)： Peiffer-Smadja N. (National Institute for Health Research Health Protection Research Unit in Healthcare Associated Infections and Antimicrobial Resistance, Imperial College London, London, UK) ,  Peiffer-Smadja N. (Universite de Paris, IAME, INSERM, F-75018 Paris, France) ,  Delliere S. (Universite de Paris, Laboratoire de Parasitologie-Mycologie, Groupe Hospitalier Saint-Louis-Lariboisiere-Fernand-Widal, Assistance Publique-Hopitaux de Paris (AP-HP), Paris, France) ,  Rodriguez C. (Department of Prevention, Diagnosis and Treatment of Infections, Henri-Mondor Hospital, APHP, Universite Paris-Est Creteil, IMRB, INSERM U955, Creteil, France) ,  Birgand G. (National Institute for Health Research Health Protection Research Unit in Healthcare Associated Infections and Antimicrobial Resistance, Imperial College London, London, UK) ,  Lescure F.-X. (Universite de Paris, IAME, INSERM, F-75018 Paris, France) ,  Fourati S. (Department of Prevention, Diagnosis and Treatment of Infections, Henri-Mondor Hospital, APHP, Universite Paris-Est Creteil, IMRB, INSERM U955, Creteil, France) ,  Ruppe E. (Universite de Paris, IAME, INSERM, F-75018 Paris, France)
資料名： Clinical Microbiology and Infection  (Clinical Microbiology and Infection)
巻： 26  号： 10  ページ： 1300-1309  発行年： 2020年 
JST資料番号： W3155A  ISSN： 1198-743X  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 機械学習(ML)は,複雑で大きなデータセットの分析を可能にし,健康管理を改善する可能性がある。臨床診療と診断の界面における臨床微生物学研究所は,MLシステムの開発に特に興味深い。このナラティブレビューは,ML In臨床微生物学の現在使用を探求することを目的とする。本レビューの参照は,MEDLINE/PubMed,EMBASE,Google Scholar,BiorXiv,arXiV,ACMデジタル図書館,およびIEEE Xploreデジタル図書館の11月2019日までの検索を通して同定された。臨床微小生物学者を支援するための97MLシステムを見出した。全体で,82MLシステム(85%)は細菌感染,11(11%)寄生虫感染,9(9%)ウイルス感染および3(3%)真菌感染を目標とした。40のMLシステム(41%)は微生物検出,同定および定量に焦点を合わせ,36(37%)は抗菌感受性を評価し,21(22%)は診断,疾患分類および臨床転帰の予測を目標とした。MLシステムは,非常に多様なデータ源を使用した:21(22%)は,微生物のゲノムデータ,メタゲノム配列決定により得られた19(20%)微生物叢データ,19(20%)は,顕微鏡画像,17(18%)の分光データ,8(8%)の標的遺伝子配列決定,6(6%)の揮発性有機化合物,4(4%)の細菌コロニー,4(4%)のトランスクリプトームデータ,3(3%)の蛋白質構造,および3(3%)の臨床データであった。ほとんどのシステムは,高所得国(n=71,73%)のデータを使用したが,低および中所得国(n=36,37%)からのデータを使用した。97MLシステムについて性能測定が報告されたが,臨床診療における使用,またはプロセスまたは臨床転帰に対する報告された影響について記述されていない。臨床微生物学において,MLは様々なデータ源と多様な実用的応用と共に使用されている。評価と実装プロセスは,既存のMLシステムにおける主なギャップを表し,それらの解釈可能性と実世界設定への潜在的統合に関する焦点を必要とする。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 界面 ,  *微生物 ,  細菌 ,  ウイルス感染 ,  ゲノム ,  寄生虫症 ,  細菌感染 ,  ミクロフローラ ,  健康管理 ,  コロニー ,  *機械学習 ,  電子図書館 ,  トランスクリプトーム
準シソーラス用語： 真菌感染 ,  メタゲノム , 【Automatic Indexing@JST】

著者キーワード (5件)： 人工知能 ,  臨床微生物学 ,  実装科学 ,  情報技術 ,  機械学習

分類 (4件)： 感染症・寄生虫症一般  (GD01010H) ,  医学教育  (GA01040F) ,  医療制度  (GB04020H) ,  微生物検査法  (EG02020G)

タイトルに関連する用語 (3件)： 臨床微生物学 ,  研究 ,  機械学習