論文の概要: Temporal Pointwise Convolutional Networks for Length of Stay Prediction
in the Intensive Care Unit
- arxiv url: http://arxiv.org/abs/2007.09483v4
- Date: Wed, 24 Feb 2021 12:10:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 05:06:38.447583
- Title: Temporal Pointwise Convolutional Networks for Length of Stay Prediction
in the Intensive Care Unit
- Title（参考訳）: 集中治療室における静止予測長の時間的ポイントワイド畳み込みネットワーク
- Authors: Emma Rocheteau and Pietro Li\`o and 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。
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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- 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 and MIMIC-IV critical care datasets. The model
- which we refer to as Temporal Pointwise Convolution (TPC) - is specifically
designed to mitigate common challenges with Electronic Health Records, such as
skewness, irregular sampling and missing data. In doing so, we have achieved
significant performance benefits of 18-68% (metric and dataset dependent) over
the commonly used Long-Short Term Memory (LSTM) network, and the multi-head
self-attention network known as the Transformer. By adding mortality prediction
as a side-task, we can improve performance further still, resulting in a mean
absolute deviation of 1.55 days (eICU) and 2.28 days (MIMIC-IV) on predicting
remaining length of stay.
- 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。
本研究では, eICU と MIMIC-IV クリティカルケアデータセット上での滞在予測タスクの長さを解くために, 時間的畳み込みとポイントワイド(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。
その結果,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,18～68%(メトリックおよびデータセット依存)の大幅な性能向上を実現した。
サイドタスクとして死亡予測を追加することで、パフォーマンスをさらに向上することができ、平均絶対偏差は1.55日(eICU)と2.28日(MIMIC-IV)となる。
関連論文リスト
- Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳（メタデータ） (2023-12-31T16:01:48Z) - Vital Sign Forecasting for Sepsis Patients in ICUs [5.543372375499915]
本稿では,最先端のディープラーニング(DL)アーキテクチャを用いて,多段階予測システムを提案する。
我々は,過去6時間のデータから,今後3時間分のバイタルサインを予測できるDLベースのバイタルサイン予測システムを導入する。
平均二乗誤差 (MSE) と動的時間歪み (DTW) 測定値を用いて, モデルの性能評価を行った。
論文 参考訳（メタデータ） (2023-11-08T15:47:58Z) - 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) - Length of Stay prediction for Hospital Management using Domain
Adaptation [0.2624902795082451]
入院期間 (LoS) は, 入院の効率的な計画, リソースの割り当て, ケアの改善に利用することができる重要な管理指標である。
過去の患者データと機械学習技術を用いて、LoS予測モデルを開発することができる。
倫理的には、これらのモデルは単位頭部の代わりに患者の退院には使用できないが、効果的な病院計画のための病院管理システムには最も必要である。
論文 参考訳（メタデータ） (2023-06-29T09:58:21Z) - 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) - 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) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳（メタデータ） (2021-08-31T08:23:56Z) - Predicting Intensive Care Unit Length of Stay and Mortality Using
Patient Vital Signs: Machine Learning Model Development and Validation [0.22940141855172028]
モデルは、インテリジェントな遠隔患者監視フレームワークのインテリジェントなicu患者監視モジュールで使用される。
集中治療(mimic)データベースのための公開医療情報マートを用いて,成人患者に対するicu滞在データを抽出した。
死亡率モデルに6mlアルゴリズムを適用して退院状況(生存の有無)の予測を行った。
滞在モデルの長さについて,2.64日間の中央値のICU滞在率を用いて,同じ6つのMLアルゴリズムをバイナリ分類に適用した。
論文 参考訳（メタデータ） (2021-05-05T18:45:26Z) - 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) - Predicting Length of Stay in the Intensive Care Unit with Temporal
Pointwise Convolutional Networks [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。
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。
論文 参考訳（メタデータ） (2020-06-29T15:18:33Z)
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。