Fugu-MT 論文翻訳(概要): Automated Detection of Rest Disruptions in Critically Ill Patients

論文の概要: Automated Detection of Rest Disruptions in Critically Ill Patients

arxiv url: http://arxiv.org/abs/2005.01798v2
Date: Mon, 12 Oct 2020 19:31:02 GMT
ステータス: 処理完了
システム内更新日: 2022-12-11 06:40:41.781600
Title: Automated Detection of Rest Disruptions in Critically Ill Patients
Title（参考訳）: 重症心不全患者の安静時発作の自動検出
Authors: Vasundhra Iyengar, Azra Bihorac, Parisa Rashidi
Abstract要約: 医療スタッフや訪問客による頻繁な睡眠障害は、患者の睡眠・覚醒サイクルの中断につながる可能性がある。そこで本研究では,38名の患者を対象とし,映像フレームからの訪問頻度を自動的に評価した。頻繁なディスラプションと患者の痛みと滞在期間との関連について検討した。
参考スコア（独自算出の注目度）: 2.062593640149623
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sleep has been shown to be an indispensable and important component of patients recovery process. Nonetheless, sleep quality of patients in the Intensive Care Unit (ICU) is often low, due to factors such as noise, pain, and frequent nursing care activities. Frequent sleep disruptions by the medical staff and/or visitors at certain times might lead to disruption of patient sleep-wake cycle and can also impact the severity of pain. Examining the association between sleep quality and frequent visitation has been difficult, due to lack of automated methods for visitation detection. In this study, we recruited 38 patients to automatically assess visitation frequency from captured video frames. We used the DensePose R-CNN (ResNet-101) model to calculate the number of people in the room in a video frame. We examined when patients are interrupted the most, and we examined the association between frequent disruptions and patient outcomes on pain and length of stay.
Abstract（参考訳）: 睡眠は患者の回復過程において必須かつ重要な要素であることが示されている。それにもかかわらず、集中治療室(icu)の患者の睡眠の質は、騒音、痛み、頻繁な看護活動などの要因により、しばしば低い。医療スタッフや訪問客による頻繁な睡眠障害は、患者の睡眠・覚醒サイクルの混乱を招き、痛みの重症度に影響を及ぼす可能性がある。訪問検知のための自動的手法が欠如していることから,睡眠の質と頻繁な訪問との関連性の検討は困難である。本研究では,38名の患者を対象に,映像フレームからの訪問頻度を自動的に評価した。我々は、DensePose R-CNN(ResNet-101)モデルを用いて、ビデオフレーム内の部屋の人数を計算した。患者が最も中断した時期について検討し、頻繁な中断と患者の痛みと滞在期間との関連について検討した。

関連論文リスト

Leveraging Computer Vision in the Intensive Care Unit (ICU) for Examining Visitation and Mobility [12.347067736902094]
我々は、奥行き画像に基づく最先端の非侵襲型コンピュータビジョンシステムを活用し、ICU訪問と患者の移動性を特徴付ける。患者視力低下と訪問の増加に伴うデリリウムの出現との関連を見いだした。 ICU患者に対する非侵襲的自律システムの有用性と可能性について検討した。
論文参考訳（メタデータ） (2024-03-10T21:43:47Z)
Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
ICUの既存の患者評価は散発的であり、手動で管理されている。我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。 634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
論文参考訳（メタデータ） (2023-11-01T15:07:03Z)
End-to-End Machine Learning Framework for Facial AU Detection in Intensive Care Units [3.8168092489216385]
集中治療室に入院した患者には痛みがよく起こる。現在の手動の観察に基づく痛み評価ツールは、投与される痛みの頻度によって制限され、観察者に主観的である。我々は,動的ICU環境における顔行動分析を対象とする最大のデータセットであるPain-ICUデータセットを提案する。
論文参考訳（メタデータ） (2022-11-12T04:43:16Z)
Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文参考訳（メタデータ） (2022-11-08T17:29:40Z)
How does Imaging Impact Patient Flow in Emergency Departments? [0.0]
ED群集につながる根底にある要因は、多種多様で複雑である。病院内ベッドの欠如は、しばしば群集の主な原因とされている。 EDの他の補助的資源への依存、例えばイメージング、コンサルティング、研究室は、群衆形成にも貢献している。
論文参考訳（メタデータ） (2022-09-24T02:03:19Z)
Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文参考訳（メタデータ） (2022-04-07T22:14:37Z)
Accelerometer-based Bed Occupancy Detection for Automatic, Non-invasive Long-term Cough Monitoring [7.755952127616406]
本稿では,スマートフォン内蔵加速度計から患者のベッド占有度を自動的に検出し,機械学習による長期コークスモニタリングシステムを提案する。結核(TB)治療中の成人7人の手動加速度信号の249時間データセットを収集した。その結果, TB療法で改善した患者は, 毎日のうっ血率を低下させていることがわかった。
論文参考訳（メタデータ） (2022-02-08T15:38:34Z)
Non-contact Pain Recognition from Video Sequences with Remote Physiological Measurements Prediction [53.03469655641418]
痛み認識のための非接触方式で外観変化と生理的手がかりの両方を符号化する新しいマルチタスク学習フレームワークを提案する。我々は、一般に利用可能な痛みデータベース上で、非接触痛認識の最先端性能を確立する。
論文参考訳（メタデータ） (2021-05-18T20:47:45Z)
A novel multiple instance learning framework for COVID-19 severity assessment via data augmentation and self-supervised learning [64.90342559393275]
新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。 CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
論文参考訳（メタデータ） (2021-02-07T16:30:18Z)
MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文参考訳（メタデータ） (2021-01-07T13:08:44Z)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。