論文の概要: An attention model to analyse the risk of agitation and urinary tract
infections in people with dementia
- arxiv url: http://arxiv.org/abs/2101.07007v1
- Date: Mon, 18 Jan 2021 11:15:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 05:59:05.362225
- Title: An attention model to analyse the risk of agitation and urinary tract
infections in people with dementia
- Title(参考訳): 認知症者における動揺・尿路感染症のリスク分析のための注意モデル
- Authors: Honglin Li, Roonak Rezvani, Magdalena Anita Kolanko, David J. Sharp,
Maitreyee Wairagkar, Ravi Vaidyanathan, Ramin Nilforooshan, Payam Barnaghi
- Abstract要約: 行動症状と尿路感染症(uti)は認知症患者が直面する最も一般的な問題である。
センサーデータの統合と分析に家庭内センシング技術と機械学習モデルを使用することで、臨床的に重要な出来事や健康状態の変化を検出し予測する機会が得られる。
我々は,家庭内センサデータを収集する統合プラットフォームを開発し,機械学習モデルを扇動およびUTIリスク分析に適用するための観察的研究を行った。
- 参考スコア(独自算出の注目度): 0.3392372796177108
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Behavioural symptoms and urinary tract infections (UTI) are among the most
common problems faced by people with dementia. One of the key challenges in the
management of these conditions is early detection and timely intervention in
order to reduce distress and avoid unplanned hospital admissions. Using in-home
sensing technologies and machine learning models for sensor data integration
and analysis provides opportunities to detect and predict clinically
significant events and changes in health status. We have developed an
integrated platform to collect in-home sensor data and performed an
observational study to apply machine learning models for agitation and UTI risk
analysis. We collected a large dataset from 88 participants with a mean age of
82 and a standard deviation of 6.5 (47 females and 41 males) to evaluate a new
deep learning model that utilises attention and rational mechanism. The
proposed solution can process a large volume of data over a period of time and
extract significant patterns in a time-series data (i.e. attention) and use the
extracted features and patterns to train risk analysis models (i.e. rational).
The proposed model can explain the predictions by indicating which time-steps
and features are used in a long series of time-series data. The model provides
a recall of 91\% and precision of 83\% in detecting the risk of agitation and
UTIs. This model can be used for early detection of conditions such as UTIs and
managing of neuropsychiatric symptoms such as agitation in association with
initial treatment and early intervention approaches. In our study we have
developed a set of clinical pathways for early interventions using the alerts
generated by the proposed model and a clinical monitoring team has been set up
to use the platform and respond to the alerts according to the created
intervention plans.
- Abstract(参考訳): 行動症状と尿路感染症(uti)は認知症患者が直面する最も一般的な問題である。
これらの状況を管理する上で重要な課題の1つは、苦痛を減らし、未計画の入院を避けるために早期発見とタイムリーな介入である。
センサーデータの統合と分析に家庭内センシング技術と機械学習モデルを使用することで、臨床的に重要な出来事や健康状態の変化を検出し予測する機会が得られる。
我々は,家庭内センサデータを収集する統合プラットフォームを開発し,機械学習モデルを扇動およびUTIリスク分析に適用するための観察的研究を行った。
平均年齢82名,標準偏差6.5名(女性47名,男性41名)の88名から大規模なデータセットを収集し,注意と合理的なメカニズムを利用した新しい深層学習モデルの評価を行った。
提案手法では,大量のデータを一定時間にわたって処理し,時系列データから重要なパターンを抽出することができる。
注意) 抽出された特徴とパターンを使用してリスク分析モデル(すなわち、リスク分析モデル)をトレーニングする。
合理的)。
提案モデルでは,時系列データにおいてどの時間ステップと特徴が使用されるかを示すことにより,予測を説明することができる。
本モデルでは, 排卵リスクとウティスの検出において, 91\%のリコールと83\%の精度を提供する。
このモデルは、初期治療や早期介入アプローチと連動して、ウティスなどの病態の早期検出や興奮などの神経精神症状の管理に使用できる。
本研究は,提案モデルが生成した警告を用いて早期介入を行うための臨床経路のセットを開発し,このプラットフォームを用いて,作成した介入計画に従って警告に応答する臨床モニタリングチームを設置した。
関連論文リスト
- 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) - Membership Inference Attacks Against Time-Series Models [0.8437187555622164]
個人情報を含む可能性のある時系列データは、特に医療分野において、深刻なプライバシー上の懸念を生じさせる。
推論攻撃(MIA)はこの種の評価の鍵となる手法であるが,この文脈では時系列予測モデルが十分に研究されていない。
時系列モデルにおける既存のMIA技術について検討し、データの季節性やトレンドに焦点をあてた新機能を紹介する。
論文 参考訳(メタデータ) (2024-07-03T07:34:49Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - 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) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳(メタデータ) (2021-10-19T11:45:01Z) - Deep Representation for Connected Health: Semi-supervised Learning for
Analysing the Risk of Urinary Tract Infections in People with Dementia [2.66008303934728]
本研究は,家庭内観測・測定データから学習可能な半教師付きモデルを提案する。
認知症における尿路感染症(UTIs)のリスクを解析するために,我々のモデルが高度に不均衡な動的データを処理し,堅牢な予測を行う方法を示す。
論文 参考訳(メタデータ) (2020-11-27T18:58:05Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-18T15:56:28Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Deep Recurrent Model for Individualized Prediction of Alzheimer's
Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。
本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-06T08:08:00Z)
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。