Fugu-MT 論文翻訳(概要): Aortic Pressure Forecasting with Deep Sequence Learning

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

A Multi-scenario Attention-based Generative Model for Personalized Blood Pressure Time Series Forecasting [6.311504297463515]
連続血圧モニタリングは、重要なケア設定において、タイムリーな診断と介入に不可欠である。本研究では,心電図(ECG)と光胸腺図( Photoplethysmogram)の信号を用いたパーソナライズされたBP予測モデルを提案する。実験は,60名の被験者からBP測定を行った3つのシナリオから収集したデータセットを用いて行った。
論文参考訳（メタデータ） (2024-09-07T04:24:15Z)
Adversarial Contrastive Learning Based Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
逆相関学習を用いた物理インフォームド・テンポラル・ネットワーク(PITN)を導入し,非常に限られたデータで正確なBP推定を実現する。次に, 対人訓練を駆使して生理的時系列データを生成し, スパースデータに面したPITNの堅牢性を向上させる。
論文参考訳（メタデータ） (2024-08-16T02:17:21Z)
SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-24T04:47:36Z)
TransfoRhythm: A Transformer Architecture Conductive to Blood Pressure Estimation via Solo PPG Signal Capturing [5.255373360156652]
血圧(BP)は、高血圧の正確かつタイムリーな診断および/または治療のための重要な健康指標である。人工知能(AI)とディープニューラルネットワーク(DNN)の最近の進歩は、データ駆動ソリューションの開発への関心の高まりにつながっている。本研究は,カフレスBP推定にMIMIC IVデータセットを適用した最初の研究である。
論文参考訳（メタデータ） (2024-04-15T00:36:33Z)
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)
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。