論文の概要: Comparative Analysis of Predictive Methods for Early Assessment of Compliance with Continuous Positive Airway Pressure Therapy

• arxiv url: http://arxiv.org/abs/1912.12116v1
• Date: Fri, 27 Dec 2019 14:44:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 23:37:22.687213
• Title: Comparative Analysis of Predictive Methods for Early Assessment of Compliance with Continuous Positive Airway Pressure Therapy
• Title（参考訳）: 持続的正気道圧療法によるコンプライアンスの早期評価のための予測方法の比較分析
• Authors: Xavier Rafael-Palou, Cecilia Turino, Alexander Steblin, Manuel S\'anchez-de-la-Torre, Ferran Barb\'e, Eloisa Vargiu
• Abstract要約: CPAP (Continuous positive airway pressure, CPAP) は, 夜間のCPAP平均使用時間の4h以上と認められた。 これまでの研究では、治療の遵守に大きく関係した要因が報告されている。 本研究は,CPAP療法を併用したコンプライアンス分類器を患者フォローアップの3つの異なるタイミングで構築することにより,この方向へのさらなる一歩を踏み出すことを目的とする。
• 参考スコア（独自算出の注目度）: 55.41644538483948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patients suffering from obstructive sleep apnea are mainly treated with continuous positive airway pressure (CPAP). Good compliance with this therapy is broadly accepted as more than 4h of CPAP average use nightly. Although it is a highly effective treatment, compliance with this therapy is problematic to achieve with serious consequences for the patients' health. Previous works already reported factors significantly related to compliance with the therapy. However, further research is still required to support clinicians to early anticipate patients' therapy compliance. This work intends to take a further step in this direction by building compliance classifiers with CPAP therapy at three different moments of the patient follow-up (i.e. before the therapy starts and at months 1 and 3 after the baseline). Results of the clinical trial confirmed that month 3 was the time-point with the most accurate classifier reaching an f1-score of 87% and 84% in cross-validation and test. At month 1, performances were almost as high as in month 3 with 82% and 84% of f1-score. At baseline, where no information about patients' CPAP use was given yet, the best classifier achieved 73% and 76% of f1-score in cross-validation and test set respectively. Subsequent analyses carried out with the best classifiers of each time point revealed that certain baseline factors (i.e. headaches, psychological symptoms, arterial hypertension and EuroQol visual analogue scale) were closely related to the prediction of compliance independently of the time-point. In addition, among the variables taken only during the follow-up of the patients, Epworth and the average nighttime hours were the most important to predict compliance with CPAP.
• Abstract（参考訳）: 閉塞性睡眠時無呼吸症候群の患者は, 主にCPAP(Continuous positive airway pressure)で治療される。 CPAPの平均使用時間は4時間以上と広く認められている。 極めて効果的な治療であるが、この治療の遵守は患者の健康に深刻な影響を与えることが問題となる。 前回の研究では、治療の遵守に重大な要因が報告されている。 しかし, 早期患者の治療コンプライアンスを期待する臨床医の支援には, さらなる研究が必要である。 本研究は、CPAP療法を併用したコンプライアンス分類器を、患者フォローアップの3つの異なる時点(つまり、治療開始前とベースライン後1、3ヶ月)に構築することで、この方向へさらに一歩進むことを目的としている。 臨床試験の結果,月3日は最も正確な分類器がF1スコアの87%,クロスバリデーションとテストで84%に達するタイムポイントであることが確認された。 1か月目は、f1-scoreの82%と84%でパフォーマンスはほぼ3月と同じだった。 CPAP使用に関する情報が得られていないベースラインでは, クロスバリデーションおよびテストセットにおいて, 最高の分類器が73%, f1スコアの76%を達成した。 各時点の最良の分類器を用いたその後の分析により、特定の基準因子(頭痛、心理的症状、動脈高血圧、エウロコール視覚類似尺度)が、時間点とは独立してコンプライアンスの予測と密接に関連していることが判明した。 また, CPAPの順応を予測する上では, エップワースと夜間平均時間が最も重要であった。

関連論文リスト

• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• Bridging AI and Clinical Practice: Integrating Automated Sleep Scoring Algorithm with Uncertainty-Guided Physician Review [0.0]
  本研究は,不確実性推定手法を取り入れた自動睡眠検査アルゴリズムの臨床的有用性を高めることを目的とする。 13のオープンアクセスデータベースからの合計19578のPSGを使用して、最先端の睡眠スコアアルゴリズムであるU-Sleepをトレーニングした。
  論文  参考訳（メタデータ） (2023-12-22T15:58:09Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• Matching Patients to Clinical Trials with Large Language Models [29.265158319106604]
  本稿では,患者間マッチングを支援するLLMフレームワークTrialGPTを紹介する。 患者注記が与えられた場合、TrialGPTは基準に基づいて患者の適性を予測する。 公用コホート184例を対象に,TrialGPTの試験レベル予測性能について検討した。
  論文  参考訳（メタデータ） (2023-07-27T17:56:56Z)
• SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
  臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。 本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。 タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
  論文  参考訳（メタデータ） (2023-04-07T23:04:27Z)
• A pragmatic approach to estimating average treatment effects from EHR data: the effect of prone positioning on mechanically ventilated COVID-19 patients [29.983525001333625]
  観察データから治療効果を推定する方法については合意されていない。 本稿では,観察研究から治療効果の予備的評価を得るための実用的手法を紹介する。
  論文  参考訳（メタデータ） (2021-09-14T14:14:37Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Improving Emergency Department ESI Acuity Assignment Using Machine Learning and Clinical Natural Language Processing [12.032786684457385]
  166,175人を対象に, トリアージプロセスのためのMLモデル(KATE)を開発した。 KATEは、看護師(59.8%)と平均的な個別臨床医(75.3%)と比較して、視力の割り当てを75.9%と予測した。 2 と 3 の明度割り当ての境界では、KATE は 80% の精度で 93.2% 高く、41.4% のトリアージ看護師 (p-value 0.0001) は 41.4% の精度であった。
  論文  参考訳（メタデータ） (2020-03-29T20:18:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。