Intradialytic Hypotension Prediction in Patients with End-Stage Renal Disease: A Multimodal Data Integration Approach with Clustering and Augmentation (Preprint)
Notice bibliographique
Résumé
UNSTRUCTURED Hemodialysis is crucial for patients with end-stage renal disease; however, intradialytic hypotension (IDH) is a relatively common complication of hemodialysis, with serious consequences. Existing machine-learning-based IDH prediction models have limitations, including not taking account of individual differences and key clinical elements, and having high data-quality requirements. To address these issues, this study aimed to develop an Integrated Multimodal Clustering-Augmentation (IMCA) model to predict IDH. The model integrates daily measurement data and dialysis machine time-series data, and labels IDH after excluding drug-induced blood pressure changes. The model consists of an electronic health record clustering module that analyzes and integrates patient data to extract effective information; a data-augmentation module using SMOTE-TomekLink and Wasserstein GAN-GP to learn features and balance samples; and a comprehensive prediction module that selects different models for targeted prediction within different clusters according to various data. Experiments using a HD dataset of 412 patients showed that the IMCA-IDH model was robust and accurate, even with missing and imbalanced data. Different model combinations achieved excellent performances in various patient clusters, with a maximum F1 score of 0.989 and an area under the curve of 0.745. This was a single-center retrospective analysis, and further multi-center studies are needed to improve the model’s generalizability. Nevertheless, this model provides a new approach for IDH prediction and references for medical data modeling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».