論文の概要: Predicting Length of Stay in the Intensive Care Unit with Temporal Pointwise Convolutional Networks

• arxiv url: http://arxiv.org/abs/2006.16109v2
• Date: Fri, 13 Nov 2020 12:08:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:45:00.733362
• Title: Predicting Length of Stay in the Intensive Care Unit with Temporal Pointwise Convolutional Networks
• Title（参考訳）: 時間的ポイントワイド・コンボリューション・ネットワークを用いた集中治療室の滞在長予測
• Authors: Emma Rocheteau, Pietro Li\`o, Stephanie Hyland
• Abstract要約: 本稿では,時間的畳み込みとポイントワイド(1x1)畳み込みを組み合わせた新しい深層学習モデルを提案する。 歪み、不規則なサンプリング、欠落データなど、電子健康記録の一般的な課題を緩和するために特別に設計された。
• 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: The pressure of ever-increasing patient demand and budget restrictions make hospital bed management a daily challenge for clinical staff. Most critical is the efficient allocation of resource-heavy Intensive Care Unit (ICU) beds to the patients who need life support. Central to solving this problem is knowing for how long the current set of ICU patients are likely to stay in the unit. In this work, we propose a new deep learning model based on the combination of temporal convolution and pointwise (1x1) convolution, to solve the length of stay prediction task on the eICU critical care dataset. The model - which we refer to as Temporal Pointwise Convolution (TPC) - is specifically designed to mitigate for common challenges with Electronic Health Records, such as skewness, irregular sampling and missing data. In doing so, we have achieved significant performance benefits of 18-51% (metric dependent) over the commonly used Long-Short Term Memory (LSTM) network, and the multi-head self-attention network known as the Transformer.
• Abstract（参考訳）: 患者需要の増加と予算制限の圧力により、病院のベッド管理は臨床スタッフにとって日々の課題となっている。 最重要事項は、生活支援を必要とする患者に対して、資源集約型ケアユニット(ICU)ベッドを効率的に割り当てることである。 この問題の解決の中心は、現在のICU患者のセットがいつまでユニットに留まるかを知ることだ。 本稿では,aicu批判的ケアデータセットにおける滞在予測タスクの長さを解決するために,時間的畳み込みとポイントワイズ(1x1)畳み込みの組み合わせに基づく新しい深層学習モデルを提案する。 このモデルは、時間的ポイントワイズ畳み込み(temporal pointwise convolution, tpc)と呼ばれ、歪み、不規則なサンプリング、データ欠落といった電子健康記録の一般的な課題を軽減するために特別に設計されている。 そこで我々は,LSTM(Long-Short Term Memory)ネットワークとTransformerと呼ばれるマルチヘッド自己保持ネットワークに対して,18～51%(メトリック依存)の大幅な性能向上を実現した。

関連論文リスト

• Recurrent Neural Network on PICTURE Model [0.9790236766474201]
  この研究は、XGBoostモデルのパフォーマンスをベンチマークするために、ディープラーニングモデルを実装することを目的としている。 このモデルは、緊急集中治療単位の転送、呼吸不全、死亡のリスクが高い患者とリスクの低い患者とを分離することにより、患者の劣化を予測する。
  論文  参考訳（メタデータ） (2024-12-02T19:49:51Z)
• An Efficient Contrastive Unimodal Pretraining Method for EHR Time Series Data [35.943089444017666]
  本稿では,長期臨床経過データに適した比較事前学習法を提案する。 本モデルでは, 臨床医が患者の症状についてより深い知見を得られるように, 欠損測定をインプットする能力を示す。
  論文  参考訳（メタデータ） (2024-10-11T19:05:25Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• ICU Mortality Prediction Using Long Short-Term Memory Networks [0.0]
  我々はElectronic Health Records(EHRs)から得られた大量の時間データを解析する自動データ駆動システムを実装した。 我々は,院内死亡率とLOS(Longth of Stay)を早期に予測するために,高レベル情報を抽出する。 実世界の予測エンジン構築のための厳密な時系列測定によるLSTMモデルの効率性について実験を行った。
  論文  参考訳（メタデータ） (2023-08-18T09:44:47Z)
• Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
  LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。 実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。 したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
  論文  参考訳（メタデータ） (2023-07-14T08:51:03Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• Predicting Patient Outcomes with Graph Representation Learning [0.47248250311484113]
  類似した患者をグラフでつなげることで,診断を時間的情報として活用する。 LSTM-GNは、eICUデータベース上の滞在予測タスクの長さでLSTMのみのベースラインを上回っていることを実証します。
  論文  参考訳（メタデータ） (2021-01-11T15:04:07Z)
• Temporal Pointwise Convolutional Networks for Length of Stay Prediction in the Intensive Care Unit [0.0]
  本稿では,時間的畳み込みとポイントワイド(1x1)畳み込みを組み合わせた新しい深層学習モデルを提案する。 電子健康記録(Electronic Health Records)の一般的な課題、例えば歪み、不規則なサンプリング、欠落データを軽減するために特別に設計された。 サイドタスクとして予測を追加することで、パフォーマンスをさらに向上できるため、滞在期間の予測において平均的な1.55日(eICU)と2.28日(MIMIC-IV)の偏差が生じる。
  論文  参考訳（メタデータ） (2020-07-18T17:30:10Z)

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。