論文の概要: Application of Deep Interpolation Network for Clustering of Physiologic Time Series

• arxiv url: http://arxiv.org/abs/2004.13066v1
• Date: Mon, 27 Apr 2020 18:03:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 04:54:16.569927
• Title: Application of Deep Interpolation Network for Clustering of Physiologic Time Series
• Title（参考訳）: 深部補間ネットワークの生理時系列クラスタリングへの応用
• Authors: Yanjun Li (4)(5), Yuanfang Ren (1)(5), Tyler J. Loftus (2,5), Shounak Datta (1) (5), M. Ruppert (1)(5), Ziyuan Guan (1)(5), Dapeng Wu (4), Parisa Rashidi (3)(5), Tezcan Ozrazgat-Baslanti (1)(5)(6), and Azra Bihorac (3)(5)(6) ((1) Department of Medicine, Division of Nephrology, Hypertension, and Renal Transplantation, University of Florida, Gainesville, FL. (2) Department of Surgery, University of Florida, Gainesville, FL. (3) J. Crayton Pruitt Family Department of Biomedical Engineering, University of Florida, Gainesville, FL. (4) NSF Center for Big Learning, University of Florida, Gainesville, FL. (5) Precision and Intelligent Systems in Medicine (PrismaP), University of Florida, Gainesville, FL (6) Sepsis and Critical Illness Research Center, University of Florida, Gainesville, FL. )
• Abstract要約: 患者からのバイタルサイン情報はスパースかつ不規則に収集されることが一般的である。 スパースおよび不規則サンプルデータから潜在表現を抽出する新しいディープネットワークを提案する。 入院患者の異種コホートでは、6時間以内に測定されたバイタルサインデータからディープネットワークが表現を抽出した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: During the early stages of hospital admission, clinicians must use limited information to make diagnostic and treatment decisions as patient acuity evolves. However, it is common that the time series vital sign information from patients to be both sparse and irregularly collected, which poses a significant challenge for machine / deep learning techniques to analyze and facilitate the clinicians to improve the human health outcome. To deal with this problem, We propose a novel deep interpolation network to extract latent representations from sparse and irregularly sampled time-series vital signs measured within six hours of hospital admission. Methods: We created a single-center longitudinal dataset of electronic health record data for all (n=75,762) adult patient admissions to a tertiary care center lasting six hours or longer, using 55% of the dataset for training, 23% for validation, and 22% for testing. All raw time series within six hours of hospital admission were extracted for six vital signs (systolic blood pressure, diastolic blood pressure, heart rate, temperature, blood oxygen saturation, and respiratory rate). A deep interpolation network is proposed to learn from such irregular and sparse multivariate time series data to extract the fixed low-dimensional latent patterns. We use k-means clustering algorithm to clusters the patient admissions resulting into 7 clusters. Findings: Training, validation, and testing cohorts had similar age (55-57 years), sex (55% female), and admission vital signs. Seven distinct clusters were identified. M Interpretation: In a heterogeneous cohort of hospitalized patients, a deep interpolation network extracted representations from vital sign data measured within six hours of hospital admission. This approach may have important implications for clinical decision-support under time constraints and uncertainty.
• Abstract（参考訳）: 背景: 入院初期, 臨床医は患者視力の発達に伴い, 診断・治療の判断に限られた情報を使用しなければならない。 しかし, 患者が疎外かつ不規則に収集されることは, 臨床医がヒトの健康状態を改善するために分析・促進するための機械/ディープラーニング技術に重大な課題をもたらすことが一般的である。 そこで本研究では,病院入所6時間以内に測定された不規則かつ不規則な時系列バイタルサインから潜在表現を抽出する新しい深層補間ネットワークを提案する。 方法: トレーニング用データセットの55%, 検証用23%, 検査用22%を用いて, 3次ケアセンターに入院した成人患者(n=75,762)全員を対象に, 電子健康記録データの単一中心縦断データセットを作成した。 入院6時間以内の生の時系列は6つの生命徴候(収縮期血圧、拡張期血圧、心拍数、温度、血液酸素飽和度、呼吸数)で抽出された。 このような不規則かつスパースな多変量時系列データから、固定された低次元潜在パターンを抽出するために、深い補間ネットワークを提案する。 k-meansクラスタリングアルゴリズムを用いて入院患者を7つのクラスタに分類した。 発見: トレーニング, 検証, テストコホートは, 同様の年齢(55～57歳), 性(55%) および入院バイタルサインを有していた。 7つの異なるクラスターが同定された。 M解釈: 入院患者の異種コホートにおいて, 深層補間ネットワークは入院6時間以内に測定されたバイタルサインデータから表現を抽出した。 このアプローチは、時間的制約と不確実性の下で臨床決定支援に重要な意味を持つかもしれない。

関連論文リスト

• Towards Personalised Patient Risk Prediction Using Temporal Hospital Data Trajectories [0.9545101073027095]
  本研究では,集中治療単位患者を滞在中の観察データの軌跡によってグループ化するパイプラインを提案する。 ICUステークの最初の4時間のみのデータにパイプラインを適用すると、患者の大多数が、滞在期間全体を考慮した場合と同じクラスタに割り当てられる。
  論文  参考訳（メタデータ） (2024-07-12T15:53:26Z)
• Deep Representation Learning-Based Dynamic Trajectory Phenotyping for Acute Respiratory Failure in Medical Intensive Care Units [4.9981612589160775]
  セプシスによる急性呼吸不全(ARF)は予後不良の重篤な合併症である。 本稿では, 敗血症患者の臨床軌跡の異なるグループを同定するために, 深部表現学習に基づく表現型表現法を提案する。
  論文  参考訳（メタデータ） (2024-05-04T04:29:22Z)
• Identifying acute illness phenotypes via deep temporal interpolation and clustering network on physiologic signatures [6.315312816818801]
  入院初日は臨床経過に影響を及ぼすが、早期臨床判断はデータ異常によることが多い。 成人75,762人を対象に, 単中心縦型EHRデータセットを作成し, 6時間以上にわたって第3次ケアセンターに入院した。 本研究では,スパース,不規則にサンプリングされたバイタルサインデータから潜時表現を抽出する深部時間クラスタリングとクラスタリングネットワークを提案する。
  論文  参考訳（メタデータ） (2023-07-27T21:05:23Z)
• Identifying Subgroups of ICU Patients Using End-to-End Multivariate Time-Series Clustering Algorithm Based on Real-World Vital Signs Data [1.6160887070677055]
  本研究は,MIMIC-IVデータベースをデータソースとして,動的,高周波,多変量周期のバイタルサインデータの利用について検討した。 様々なクラスタリングアルゴリズムを比較し,K-Meansと組み合わせたTime2Featと呼ばれるエンドツーエンドの時系列クラスタリングシステムを,ICUの患者をクラスタリングする最も効果的な方法として選択した。
  論文  参考訳（メタデータ） (2023-06-03T14:25:15Z)
• Classifying the evolution of COVID-19 severity on patients with combined dynamic Bayesian networks and neural networks [1.9766522384767222]
  患者の病気の重症度を事前に知ることは、治療とリソースの整理を改善することができる。 この問題は、第6次流行波からスペインで流行したCOVID-19患者のデータセットで説明します。 我々は、動的ベイズネットワークを用いて、今後40時間にわたる患者のバイタルサインと血液分析結果を予測するとともに、その期間における患者疾患の重症度を評価するニューラルネットワークを組み合わせた。
  論文  参考訳（メタデータ） (2023-03-10T15:05:32Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• A random shuffle method to expand a narrow dataset and overcome the associated challenges in a clinical study: a heart failure cohort example [50.591267188664666]
  本研究の目的は、統計的に合法なHFデータセットのカーディナリティを高めるためにランダムシャッフル法を設計することであった。 提案されたランダムシャッフル法は、HFデータセットのカーディナリティを10回、およびランダムな繰り返し測定アプローチに続いて21回向上させることができた。
  論文  参考訳（メタデータ） (2020-12-12T10:59:38Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• 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)

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。