論文の概要: Machine learning predicts early onset of fever from continuous
physiological data of critically ill patients
- arxiv url: http://arxiv.org/abs/2009.07103v1
- Date: Mon, 14 Sep 2020 09:16:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 13:18:40.218033
- Title: Machine learning predicts early onset of fever from continuous
physiological data of critically ill patients
- Title（参考訳）: 機械学習は重症患者の連続生理データから発熱の早期発症を予測する
- Authors: Aditya Singh, Akram Mohammed, Lokesh Chinthala, Rishikesan
Kamaleswaran
- Abstract要約: フィーバーは、肺炎、デング、敗血症などの様々な疾患の診断および予後のための貴重な情報を提供する。
本研究の目的は、慢性疾患患者において、継続的な生理的データに機械学習技術を適用して、正確に発熱を予測できる新しいアルゴリズムを開発することである。
- 参考スコア（独自算出の注目度）: 1.0323063834827415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fever can provide valuable information for diagnosis and prognosis of various
diseases such as pneumonia, dengue, sepsis, etc., therefore, predicting fever
early can help in the effectiveness of treatment options and expediting the
treatment process. This study aims to develop novel algorithms that can
accurately predict fever onset in critically ill patients by applying machine
learning technique on continuous physiological data. We analyzed continuous
physiological data collected every 5-minute from a cohort of over 200,000
critically ill patients admitted to an Intensive Care Unit (ICU) over a 2-year
period. Each episode of fever from the same patient were considered as an
independent event, with separations of at least 24 hours. We extracted
descriptive statistical features from six physiological data streams, including
heart rate, respiration, systolic and diastolic blood pressure, mean arterial
pressure, and oxygen saturation, and use these features to independently
predict the onset of fever. Using a bootstrap aggregation method, we created a
balanced dataset of 7,801 afebrile and febrile patients and analyzed features
up to 4 hours before the fever onset. We found that supervised machine learning
methods can predict fever up to 4 hours before onset in critically ill patients
with high recall, precision, and F1-score. This study demonstrates the
viability of using machine learning to predict fever among hospitalized adults.
The discovery of salient physiomarkers through machine learning and deep
learning techniques has the potential to further accelerate the development and
implementation of innovative care delivery protocols and strategies for
medically vulnerable patients.
- Abstract（参考訳）: 肺炎、デング、敗血症などの様々な疾患の診断および予後に有用な情報を提供することができるため、早期に発熱を予測することは、治療オプションの有効性や治療プロセスの迅速化に役立つ。
本研究の目的は, 連続生理データに機械学習を応用し, 重症心疾患患者の発熱発症を正確に予測する新しいアルゴリズムの開発である。
2年間の集中治療室(ICU)に入院した20万人以上の重症患者のコホートから5分毎に収集された連続的な生理的データを分析した。
同じ患者からの発熱は、それぞれ独立した事象と考えられ、少なくとも24時間以上分離された。
心臓,呼吸,収縮,拡張期血圧,平均動脈圧,酸素飽和など6つの生理的データストリームから記述的統計的特徴を抽出し,これらの特徴を独立して発熱の発症を予測する。
ブートストラップアグリゲーション法を用いて7,801名の発熱患者と発熱患者のバランスの取れたデータセットを作成し,発熱開始4時間前までの特徴を解析した。
その結果,高リコール,精度,F1スコアを有する重症患者の発症までに最大4時間までの発熱を予測できることがわかった。
本研究は,入院中の成人の発熱を機械学習で予測する可能性を示す。
機械学習とディープラーニング技術によるサルエントな理学マーカーの発見は、医学的に脆弱な患者に対する革新的な医療提供プロトコルの開発と実装をさらに加速する可能性がある。
関連論文リスト
- Pre-Ictal Seizure Prediction Using Personalized Deep Learning [0.0]
世界中で約2300万ないし30%のてんかん患者が薬剤抵抗性てんかん(DRE)を患っている
発作発生の予測不可能さは、安全上の問題や社会的懸念を引き起こし、DRE患者のライフスタイルを制限している。
本研究の目的は、開始から最大2時間前に発作を予測するための改良された技術と方法を使用することであった。
論文 参考訳（メタデータ） (2024-10-07T21:04:41Z) - Robust Meta-Model for Predicting the Need for Blood Transfusion in
Non-traumatic ICU Patients [10.169599503547134]
ICU設定での貧血や凝固症管理に不可欠な輸血は、効果的な資源配分と患者のリスク評価の正確な予測を必要とする。
本研究の目的は,多種多様な非外傷性ICU患者に対して,今後24時間にわたって輸血の必要性を予測できる高度な機械学習モデルを開発することである。
論文 参考訳（メタデータ） (2024-01-01T23:25:48Z) - Automatic prediction of mortality in patients with mental illness using
electronic health records [0.5957022371135096]
本報告では,精神疾患患者の死亡率を予測するための永続的課題について述べる。
MIMIC-IIIデータセットから精神疾患の診断データを抽出した。
4つの機械学習アルゴリズムを使用し、ランダムフォレストとサポートベクターマシンのモデルが他のモデルよりも優れていたことを示す結果が得られた。
論文 参考訳（メタデータ） (2023-10-18T17:21:01Z) - Forecasting Patient Flows with Pandemic Induced Concept Drift using
Explainable Machine Learning [0.0]
本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。
新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
論文 参考訳（メタデータ） (2022-11-01T20:42:26Z) - Remote Medication Status Prediction for Individuals with Parkinson's
Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。
提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文 参考訳（メタデータ） (2022-07-26T02:08:08Z) - Rapid Lung Ultrasound COVID-19 Severity Scoring with Resource-Efficient
Deep Feature Extraction [0.11439420412899562]
本研究は, 最短トレーニング時間で重症度を評価するための, 深部特徴抽出器として, 既訓練モデルの活用に焦点を当てる。
既存の手法を特徴抽出器として使用することにより,訓練時間を数分に抑えながら,新型コロナウイルス関連肺炎重症度を効果的に分類できることが実証された。
論文 参考訳（メタデータ） (2022-07-22T10:32:30Z) - 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) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - 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)
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。