文献

J-GLOBAL ID：202202289852839576   整理番号：22A0329220

COVID-19パンデミック中のEDに現れる患者の健康転帰の予後化のための画像および構造化データ解析【JST・京大機械翻訳】

Image and structured data analysis for prognostication of health outcomes in patients presenting to the ED during the COVID-19 pandemic

著者 (9件)： Butler Liam (Stony Brook University, Stony Brook, NY 11794, USA) ,  Karabayir Ibrahim (Wake Forest School of Medicine, Winston-Salem, NC 27157, USA) ,  Karabayir Ibrahim (Kirklareli University, Turkey) ,  Karabayir Ibrahim (Loyola University Chicago, Maywood, IL 60153, USA) ,  Samie Tootooni Mohammad (Loyola University Chicago, Maywood, IL 60153, USA) ,  Afshar Majid (University of Wisconsin-Madison, WI 53792, USA) ,  Goldberg Ari (Loyola University Chicago, Maywood, IL 60153, USA) ,  Akbilgic Oguz (Wake Forest School of Medicine, Winston-Salem, NC 27157, USA) ,  Akbilgic Oguz (Loyola University Chicago, Maywood, IL 60153, USA)
資料名： International Journal of Medical Informatics  (International Journal of Medical Informatics)
巻： 158  ページ： Null  発行年： 2022年 
JST資料番号： D0729A  ISSN： 1386-5056  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アイルランド (IRL)  言語： 英語 (EN)

抄録/ポイント： COVID-19症状を伴う救急科(ED)に入院した患者は,胸部X線写真とコンピュータ断層撮影(CT)スキャンを日常的に必要としている。COVID-19感染は急性呼吸 distress迫症候群(ARDS)の発症に直接関連しており,重症感染は集中治療への入院と死亡のリスク増加につながる可能性がある。EDへの入院時に利用可能な機械学習モデルにおける臨床データの使用は,ARDSのリスク,集中治療の必要性(集中治療室への許可,ICU)および死亡率のリスクを評価するために使用できる。さらに,胸部X線写真は,これらのリスクをさらに評価するために,深い学習モデルに入力できる。本研究は,ED入院後の有害転帰を予測するために,構造化臨床データと電子健康記録(EHR)からの画像データの両方を用いて,機械と深層学習モデルを開発することを目的とした。42変数を含むすべての臨床データを用いて,光勾配ブースティングマシン(LightGBM)を主機械学習アルゴリズムとして使用した。臨床設定におけるモデルの適用性を増加させるための15の最も重要な変数を用いてコンパクトなモデルも開発した。前述の健康結果事象のリスク(または早期層別リスク)を予測するために,CheXNetモデルからの移動学習も利用可能なデータに実装した。本研究は,Loyola大学医学センターで,2020年3月9日から2020年10月29日の間に救急科に入院した3,571人の患者,18歳および高齢の臨床データおよび胸部X線写真を利用した。研究結果は,著者らは,COVID-19感染(AUC=0.790(0.746~0.835))を検出することができ,胸部X線画像と臨床データの両方から,中等度の精度で,ARDS(AUC=0.781(0.690-0.872),ICU入院の必要性(AUC=0.675(0.620~0.713)),および死亡率(AUC=0.759(0.678~0.840))のリスクの層別化のリスクを,予測することができたことを示した(AUC=0.781(0.690-0.872))。”結論]は,胸部X線画像と臨床データの両方から中等度の精度で,リスク層別化(AUC=0.675(0.620~0.713))と死亡率(AUC=0.759(0.678~0.840))を予測する。結果は,COVID-19症状の有無にかかわらずEDに入院した患者の評価の間,特にARDSと死亡率に対処するとき,臨床意思決定に役立つ。Copyright 2022 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： 意思決定 ,  学習 ,  学習モデル ,  死亡率 ,  層別 ,  モデル ,  臨床医学 ,  *患者 ,  入院 ,  *予後 ,  ICU【医療】 ,  計算機トモグラフィー ,  機械学習 ,  電子カルテ
準シソーラス用語： 臨床データ , 【Automatic Indexing@JST】

著者キーワード (6件)： COVID-19 ,  ARDS ,  ICU ,  死亡率 ,  機械/深層学習 ,  胸部X線写真

分類 (1件)： 医用情報処理  (JE15030Q)

タイトルに関連する用語 (6件)： COVID-19パンデミック ,  患者 ,  健康転帰 ,  予後 ,  構造化データ ,  解析