文献

J-GLOBAL ID：202202264426779848   整理番号：22A1175974

機械は心不全について何を学べるか?系統的文献レビュー【JST・京大機械翻訳】

What can machines learn about heart failure? A systematic literature review

著者 (9件)： Jasinska-Piadlo A. (Southern Health and Social Care Trust, CVD Research Unit, Craigavon Hospital, Portadown, Northern Ireland) ,  Jasinska-Piadlo A. (Faculty of Computing, Engineering and the Built Environment, Ulster University, Jordanstown, Northern Ireland) ,  Bond R. (Faculty of Computing, Engineering and the Built Environment, Ulster University, Jordanstown, Northern Ireland) ,  Biglarbeigi P. (Faculty of Computing, Engineering and the Built Environment, Ulster University, Jordanstown, Northern Ireland) ,  Brisk R. (Southern Health and Social Care Trust, CVD Research Unit, Craigavon Hospital, Portadown, Northern Ireland) ,  Brisk R. (Faculty of Computing, Engineering and the Built Environment, Ulster University, Jordanstown, Northern Ireland) ,  Campbell P. (Southern Health and Social Care Trust, Cardiology Department, Craigavon Hospital, Portadown, Northern Ireland) ,  McEneaneny D. (Southern Health and Social Care Trust, CVD Research Unit, Craigavon Hospital, Portadown, Northern Ireland) ,  McEneaneny D. (Centre for Advanced Cardiovascular Research, Ulster University, Jordanstown BT37 0QB, Northern Ireland)
資料名： International Journal of Data Science and Analytics  (International Journal of Data Science and Analytics)
巻： 13  号： 3  ページ： 163-183  発行年： 2022年 
JST資料番号： W4462A  ISSN： 2364-415X  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文では,関連する知見の合成と,この分野における将来の研究を知らせるためのアプローチ,応用性,および精度の重要な評価の両方を生成する意図を持つ心不全(HF)データセットへのデータ科学と機械学習(ML)の適用に関する系統的文献レビューを提示した。本論文は,臨床診療におけるML技術の低い取込を解決できる方法を考察する特別な意図を持つ。文献検索はScopus(2014~2021),ProQuestおよびOvid MEDLINEデータベース(2014~2021)で実施した。検索用語は,ΔΨ心不全またはΔΨc心筋障害と「機学習,「データ分析,「データマイニング,または「データ科学を含んだ。1688の論文のうち81がレビューに含まれた。研究の大多数は後向きコホート研究であった。すべての研究にわたる患者コホートの中央値サイズは,1944(min46,max93260)であった。最大の患者試料は,5676(min.380,max.93260)の中央値サンプルサイズを有する再入院予測モデルで使用された。機械学習法は,一般的HF問題に焦点を当てた:利用可能なデータセットからのHFの検出,インデックス入院後の病院再入院の予測,死亡率予測,HFコホートの分類とクラスタリングを,HF治療に対する特徴的な特徴および反応を有するサブグループに分けた。使用した最も一般的なML法は,ロジスティック回帰,ディシジョンツリー,ランダムフォレストおよびサポートベクトルマシンであった。モデルの検証に関する情報は少ない。著者の提携に基づいて,IT専門家と臨床医の間に中央値3:1の比率があった。研究の半数以上は,医療とIT専門家の協力によって共同承認された。論文の約25%は,データ解釈における臨床入力を追求しなかったIT専門家によってのみ著者が発表した。データセットへのMLの適用,特にクラスタリング法は,HF患者の結果の試験を支援する分類モデルの開発を可能にした。しかし,臨床診療のためのMLモデルの潜在的有用性を過剰に主張する傾向がある。本研究規律に要求される次の仕事は,実際の臨床有用性のためのこれらのアルゴリズムを前向きに検証するために,介入アームにおけるMLの使用によるランダム化比較試験(RCT)の設計である。Copyright The Author(s) 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  学習 ,  データベース ,  文献検索 ,  *心不全 ,  ディシジョンツリー ,  臨床医学 ,  論文 ,  母集団 ,  MEDLINE ,  機械学習 ,  データマイニング ,  サポートベクトルマシン
準シソーラス用語： ロジスティック回帰分析 ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (5件)： 心不全 ,  機械学習 ,  データ解析 ,  データ科学 ,  心不全データセット

分類 (3件)： ドキュメンテーション  (GA01020J) ,  予防医学一般  (GB01010B) ,  検索技術  (AC06020S)

タイトルに関連する用語 (2件)： 心不全 ,  系統的文献レビュー