論文の概要: Aortic Pressure Forecasting with Deep Sequence Learning
- arxiv url: http://arxiv.org/abs/2005.05502v3
- Date: Fri, 16 Oct 2020 18:53:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 18:42:40.486591
- Title: Aortic Pressure Forecasting with Deep Sequence Learning
- Title(参考訳): 深部シーケンス学習による大動脈圧予測
- Authors: Eliza Huang, Rui Wang, Uma Chandrasekaran, Rose Yu
- Abstract要約: 平均大動脈圧(MAP)は、すべての臓器系における灌流の主要な決定因子である。
本研究の目的は,5分前の25Hzの時系列データを入力として,平均大動脈圧を5分前に予測することであった。
- 参考スコア(独自算出の注目度): 23.571482805855755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mean aortic pressure (MAP) is a major determinant of perfusion in all organs
systems. The ability to forecast MAP would enhance the ability of physicians to
estimate prognosis of the patient and assist in early detection of hemodynamic
instability. However, forecasting MAP is challenging because the blood pressure
(BP) time series is noisy and can be highly non-stationary. The aim of this
study was to forecast the mean aortic pressure five minutes in advance, using
the 25 Hz time series data of previous five minutes as input. We provide a
benchmark study of different deep learning models for BP forecasting. We
investigate a left ventricular dwelling transvalvular micro-axial device, the
Impella, in patients undergoing high-risk percutaneous intervention. The
Impella provides hemodynamic support, thus aiding in native heart function
recovery. It is also equipped with pressure sensors to capture high frequency
MAP measurements at origin, instead of peripherally. Our dataset and the
clinical application is novel in the BP forecasting field. We performed a
comprehensive study on time series with increasing, decreasing, and stationary
trends. The experiments show that recurrent neural networks with Legendre
Memory Unit achieve the best performance with an overall forecasting error of
1.8 mmHg.
- Abstract(参考訳): 平均大動脈圧(MAP)はすべての臓器系における灌流の主要な決定因子である。
MAPの予測能力は、医師が患者の予後を推定し、血行動態の不安定性の早期発見を支援する能力を高める。
しかし、血圧(BP)時系列はノイズが多く、非定常性が高いため、MAPの予測は困難である。
本研究の目的は,5分前の25Hzの時系列データを入力として,5分前の平均大動脈圧を予測することである。
BP予測のための異なるディープラーニングモデルのベンチマーク研究を行う。
高リスク経皮的手術を施行した症例に対し,左室細動器Impellaについて検討した。
Impellaは血行動態をサポートするため、心臓機能の回復を助ける。
また、圧力センサーを備えており、周囲ではなく、周波数のMAP測定を起源とする。
BP予測分野における我々のデータセットと臨床応用は新規である。
時系列を総合的に調査し,増加傾向,減少傾向,静止傾向を示した。
実験により、レジェンダメモリユニットによるリカレントニューラルネットワークは、全体的な予測誤差1.8mmHgで最高の性能を達成することが示された。
関連論文リスト
- BP-DeepONet: A new method for cuffless blood pressure estimation using
the physcis-informed DeepONet [2.8391355909797644]
動脈血圧(ABP)波形は、心臓周期を通して連続的な血圧測定を提供する。
本研究では, ABP波形を予測するための物理情報を用いたDeepONetアプローチに基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-29T06:11:21Z) - Predicting Pulmonary Hypertension by Electrocardiograms Using Machine
Learning [0.0]
肺高血圧症(英: lung hypertension, PH)は、肺と心臓の右側の動脈に影響を及ぼす高血圧の病態である。
このプロジェクトの目的は、ECG信号を処理し、信頼確率でPHの存在を検出するニューラルネットワークモデルを作成することである。
論文 参考訳(メタデータ) (2023-04-24T21:00:16Z) - Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep
Gaussian Process (iTDGP) [2.649401887836554]
急性虚血性脳卒中(AIS)は、動脈閉塞により突然脳への血液供給が中断されたときに起こる。
CT(Computed Tomography Perfusion)画像から抽出した3次元計測マップをしきい値として評価する現在の標準AIS評価法は十分ではない。
ベースラインガウス時系列を用いてAIS予測を改善する確率モデルであるiTDGPを提案する。
論文 参考訳(メタデータ) (2022-11-16T17:32:29Z) - 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 Novel Clustering-Based Algorithm for Continuous and Non-invasive
Cuff-Less Blood Pressure Estimation [0.0]
心電図(ECG)信号と動脈血圧(ABP)データから抽出した特徴に基づく血圧推定法を開発した。
クラスタリング手法を適用して, モデル作成の精度を高く評価し, 比較した。
以上の結果から,SBP (Systolic Blood Pressure) とDBP (Distolic Blood Pressure) の精度が向上することが示唆された。
論文 参考訳(メタデータ) (2021-10-13T19:16:10Z) - A Deep Learning Approach to Predict Blood Pressure from PPG Signals [10.028103259763352]
血圧(BP)は、身体の生命維持機能を示す4つの主要な重要な兆候の1つである。
PPG信号に基づいてBPを推定するために,3層ディープニューラルネットワークを用いた高度なデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2021-07-30T22:45:34Z) - 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) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-09-24T00:42:36Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2020-02-06T16:39:44Z)
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。