文献

J-GLOBAL ID：202102222162159199   整理番号：21A0288757

調和した電子健康記録データに適用した機械学習を用いた偶発的心筋梗塞の予測【JST・京大機械翻訳】

Prediction of incident myocardial infarction using machine learning applied to harmonized electronic health record data

著者 (6件)： Mandair Divneet (Division of Internal Medicine, University of Colorado School of Medicine, Aurora, USA) ,  Tiwari Premanand (Colorado Center for Personalized Medicine, University of Colorado School of Medicine, Aurora, USA) ,  Simon Steven (Division of Cardiology and Cardiac Electrophysiology, University of Colorado School of Medicine, Aurora, USA) ,  Colborn Kathryn L. (Department of Surgery, University of Colorado School of Medicine, Aurora, USA) ,  Rosenberg Michael A. (Division of Internal Medicine, University of Colorado School of Medicine, Aurora, USA) ,  Rosenberg Michael A. (Division of Cardiology and Cardiac Electrophysiology, University of Colorado School of Medicine, Aurora, USA)
資料名： BMC Medical Informatics and Decision Making (Web)  (BMC Medical Informatics and Decision Making (Web))
巻： 20  号： 1  ページ： 1-10  発行年： 2020年 
JST資料番号： U7433A  ISSN： 1472-6947  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 心血管疾患の増加とともに,実質的な研究は予測ツールの開発に集中している。著者らは,調和したEHRデータからの心筋梗塞(MI)の予測において,既知の危険因子のみを用いて,ベースラインロジスティック回帰に対する深層学習と機械学習モデルを比較した。初期52k処置,診断,およびUCHalthシステム内の投薬から,トップ800を使用して実施した6か月インシデントMIの転帰による大規模ケースコントロール研究を,2.27百万人の患者に関して実施した観察医学的転帰パートナーシップ共通データモデルに調和させた。データセットにおける不均衡に対処するために,いくつかのオーバーサンプリングおよびアンダーサンプリング技術を比較した。正則化ロジスティックス回帰,ランダムフォレスト,ブースト傾斜機,および浅いおよび深いニューラルネットワークを比較した。比較のためのベースラインモデルは,MIに対する既知危険因子の限られたセットを用いたロジスティック回帰であった。ハイパーパラメータは10倍交差検証を用いて同定された。2000万人の患者は,2.25百万人と比較してMIと診断された。ランダムアンダーサンプリングによる深いニューラルネットワークは,他の方法と比較して優れた分類を提供した。しかし,深層ニューラルネットワークの利点は中程度であり,「知のリスク因子のみを用いたロジスティック回帰モデルと比較して,0.092のF1スコアと0.835のAUCを示した。全てのモデルに対するキャリブレーションは,関心のある事象の低周波からの過剰適合のため,適切な識別にもかかわらず,不良であった。本研究は,DNNが,MIに対する確立されたリスク因子を用いた従来の方法と比較して,調和したデータで訓練された場合,実質的な利点を提供しないことを示唆する。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ロジスティックス ,  ニューラルネットワーク ,  *心筋梗塞 ,  心血管疾患 ,  正則化 ,  データモデル ,  危険因子 ,  *機械学習 ,  *電子カルテ ,  症例対照研究 ,  *病歴
準シソーラス用語： オーバサンプリング ,  ロジスティック回帰分析 ,  ランダムフォレスト ,  ロジスティック回帰モデル ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： 心筋梗塞 ,  機械学習 ,  電子健康記録

分類 (2件)： 循環系の疾患  (GJ03000C) ,  術後処置・予後  (GC07050M)

引用文献 (39件)：

• JAMA Cardiol; The Burden of Cardiovascular Diseases Among US States, 1990-2016; ; 3; 2018; 375-389; 10.1001/jamacardio.2018.0385; citation_id=CR1
• JAMA Netw Open; Risk factors associated with major cardiovascular events 1 year after acute myocardial infarction; Y Wang; 1; 2018; e181079; 10.1001/jamanetworkopen.2018.1079; citation_id=CR2
• Arch Intern Med; Rethinking the epidemiology of acute myocardial infarction: challenges and opportunities; RW Yeh, AS Go; 170; 2010; 759-764; 10.1001/archinternmed.2010.88; citation_id=CR3
• BMC Med Inform Decis Mak.; Prediction of adverse cardiac events in emergency department patients with chest pain using machine learning for variable selection; N Liu; 14; 2014; 75; 10.1186/1472-6947-14-75; citation_id=CR4
• PLoS One; Machine learning models in electronic health records can outperform conventional survival models for predicting patient mortality in coronary artery disease; AJ Steele, SC Denaxas, AD Shah, H Hemingway, NM Luscombe; 13; 2018; e0202344; 10.1371/journal.pone.0202344; citation_id=CR5

タイトルに関連する用語 (5件)： 調和 ,  電子健康記録 ,  機械学習 ,  心筋梗塞 ,  予測