論文の概要: Pain Intensity Assessment in Sickle Cell Disease patients using Vital Signs during Hospital Visits

• arxiv url: http://arxiv.org/abs/2012.01126v1
• Date: Tue, 24 Nov 2020 15:25:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 12:54:09.446003
• Title: Pain Intensity Assessment in Sickle Cell Disease patients using Vital Signs during Hospital Visits
• Title（参考訳）: 病院訪問時のバイタルサインを用いたシックル細胞病患者の痛み強度評価
• Authors: Swati Padhee (1), Amanuel Alambo (1), Tanvi Banerjee (1), Arvind Subramaniam (2), Daniel M. Abrams (3), Gary K.Nave Jr. (3), Nirmish Shah (2) ((1) Wright State University, (2) Duke University, (3) Northwestern University)
• Abstract要約: 病気細胞病(SCD)の痛みはしばしば死亡率、死亡率、医療費の増加と関連している。 医療提供者は、主観的痛みの報告に基づいて患者を管理するのに苦労する。 近年の研究では、客観的な生理的尺度が主観的自己報告の痛みスコアを予測できることが示されている。
• 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: Pain in sickle cell disease (SCD) is often associated with increased morbidity, mortality, and high healthcare costs. The standard method for predicting the absence, presence, and intensity of pain has long been self-report. However, medical providers struggle to manage patients based on subjective pain reports correctly and pain medications often lead to further difficulties in patient communication as they may cause sedation and sleepiness. Recent studies have shown that objective physiological measures can predict subjective self-reported pain scores for inpatient visits using machine learning (ML) techniques. In this study, we evaluate the generalizability of ML techniques to data collected from 50 patients over an extended period across three types of hospital visits (i.e., inpatient, outpatient and outpatient evaluation). We compare five classification algorithms for various pain intensity levels at both intra-individual (within each patient) and inter-individual (between patients) level. While all the tested classifiers perform much better than chance, a Decision Tree (DT) model performs best at predicting pain on an 11-point severity scale (from 0-10) with an accuracy of 0.728 at an inter-individual level and 0.653 at an intra-individual level. The accuracy of DT significantly improves to 0.941 on a 2-point rating scale (i.e., no/mild pain: 0-5, severe pain: 6-10) at an intra-individual level. Our experimental results demonstrate that ML techniques can provide an objective and quantitative evaluation of pain intensity levels for all three types of hospital visits.
• Abstract（参考訳）: 病気細胞病(SCD)の痛みはしばしば死亡率、死亡率、医療費の増加と関連している。 痛みの欠如、存在、および強度を予測する標準的な方法は、長い間自己報告されてきた。 しかし、医療提供者は主観的な痛みの報告に基づいて患者を正しく管理するのに苦労しており、痛みの薬は鎮静と眠気を引き起こす可能性があるため、患者とのコミュニケーションがさらに困難になることが多い。 近年の研究では、機械学習(ML)技術を用いて、入院患者に対する主観的自己申告痛スコアを客観的に予測できることが示されている。 本研究では,3種類の入院患者(入院患者,外来患者,外来患者)を対象に,長期にわたって収集したデータに対するML手法の一般化性を評価する。 5つの分類アルゴリズムを個人内(各患者)と個人間(患者間)の両方の痛み強度レベルと比較した。 全ての試験された分類器は偶然よりもはるかに優れているが、決定木(DT)モデルは11点重度スケール(0-10から)の痛みを予測するのに最適であり、個人間レベルでは0.728、個人間レベルでは0.653である。 dtの精度は,2点評価尺度(no/mild pain: 0-5, severe pain: 6-10)で0.941に有意に向上した。 実験の結果, ml技術は, 3種類の病院訪問すべてにおいて, 痛み強度レベルを客観的かつ定量的に評価できることがわかった。

関連論文リスト

• Zero-Shot Clinical Trial Patient Matching with LLMs [40.31971412825736]
  大規模言語モデル(LLM)は、自動スクリーニングの有望なソリューションを提供する。 我々は,患者の診療歴を非構造的臨床テキストとして考慮し,その患者が包括的基準を満たしているかどうかを評価するLCMベースのシステムを構築した。 提案システムは,n2c2 2018コホート選択ベンチマークにおいて,最先端のスコアを達成している。
  論文  参考訳（メタデータ） (2024-02-05T00:06:08Z)
• Pain Forecasting using Self-supervised Learning and Patient Phenotyping: An attempt to prevent Opioid Addiction [0.3749861135832073]
  シックル細胞病(Sickle Cell Disease)を治療するためには、将来の患者の痛みの軌跡を予測することが不可欠である。 主に患者の自己申告によって記録されるので,多くの痛み記録を入手して予測モデルを設計することは困難である。 本稿では、時系列データをクラスタリングするための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-09T18:31:50Z)
• Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis Across Six Depression Treatment Studies [41.34047608276278]
  神経回路モデルを用いてうつ病の薬理学的治療6治験のデータを解析した。 5種類のモノセラピーと3種類の併用療法に対して,寛解率と解離確率を分類し,個別解離確率を推定するモデルを構築した。 ポストホック分析は、トレーニング中に学んだ患者プロトタイプに基づいてクラスター(サブグループ)を得た。
  論文  参考訳（メタデータ） (2023-03-24T14:34:09Z)
• Chronic pain patient narratives allow for the estimation of current pain intensity [0.9459979060644313]
  患者の物語から得られる言語特徴は、実際に痛みの強さを推定する情報を伝える。 以上の結果より,軽度痛の患者は動詞の使用に集中し,中等度・重度痛の患者は副詞,名詞,形容詞が中心であった。
  論文  参考訳（メタデータ） (2022-10-31T16:59:21Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Measuring Pain in Sickle Cell Disease using Clinical Text [4.1053421899056435]
  シックル細胞病(Sickle Cell Disease, SCD)は、ヒトの赤血球の遺伝性疾患である。 急性痛はSCDの主要な症状として知られている。 臨床ノートの痛み関連性を予測する二分分類モデルと,痛みレベルを予測する多クラス分類モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-05T23:39:57Z)
• Pain Intensity Estimation from Mobile Video Using 2D and 3D Facial Keypoints [1.6402428190800593]
  術後痛の管理は外科的治療の成功に不可欠である。 痛み管理の課題の1つは、患者の痛みレベルを正確に評価することである。 本稿では,術後患者の2Dおよび3D顔のキーポイントを分析し,痛み強度を推定するアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-17T00:18:29Z)
• A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
  臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。 機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
  論文  参考訳（メタデータ） (2020-06-09T21:21:38Z)
• CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint Identification and Severity Quantification [45.86448200141968]
  感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。 両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。 我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
  論文  参考訳（メタデータ） (2020-06-02T08:05:06Z)
• 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)

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。