論文の概要: A Multi-Modal Respiratory Disease Exacerbation Prediction Technique Based on a Spatio-Temporal Machine Learning Architecture

• arxiv url: http://arxiv.org/abs/2103.03086v1
• Date: Wed, 3 Mar 2021 05:24:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-07 11:14:26.520280
• Title: A Multi-Modal Respiratory Disease Exacerbation Prediction Technique Based on a Spatio-Temporal Machine Learning Architecture
• Title（参考訳）: 時空間機械学習アーキテクチャに基づくマルチモード呼吸器疾患悪化予測手法
• Authors: Rohan Tan Bhowmik
• Abstract要約: 慢性閉塞性肺疾患や喘息などの慢性呼吸器疾患は深刻な健康危機である。 呼吸器症状の進行を評価する現在の方法は、主観的で不正確な、または複雑で面倒です。 本研究は、新しい時間的機械学習アーキテクチャに基づいて、PDなどの呼吸器疾患の悪化リスクを予測するためのマルチモーダルソリューションを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chronic respiratory diseases, such as chronic obstructive pulmonary disease and asthma, are a serious health crisis, affecting a large number of people globally and inflicting major costs on the economy. Current methods for assessing the progression of respiratory symptoms are either subjective and inaccurate, or complex and cumbersome, and do not incorporate environmental factors. Lacking predictive assessments and early intervention, unexpected exacerbations can lead to hospitalizations and high medical costs. This work presents a multi-modal solution for predicting the exacerbation risks of respiratory diseases, such as COPD, based on a novel spatio-temporal machine learning architecture for real-time and accurate respiratory events detection, and tracking of local environmental and meteorological data and trends. The proposed new machine learning architecture blends key attributes of both convolutional and recurrent neural networks, allowing extraction of both spatial and temporal features encoded in respiratory sounds, thereby leading to accurate classification and tracking of symptoms. Combined with the data from environmental and meteorological sensors, and a predictive model based on retrospective medical studies, this solution can assess and provide early warnings of respiratory disease exacerbations. This research will improve the quality of patients' lives through early medical intervention, thereby reducing hospitalization rates and medical costs.
• Abstract（参考訳）: 慢性閉塞性肺疾患や喘息などの慢性呼吸器疾患は深刻な健康危機であり、世界中の多くの人々に影響を及ぼし、経済に大きなコストがかかる。 呼吸器症状の進行を評価する現在の方法は、主観的・不正確なか、複雑で厄介であり、環境要因を含まない。 予測評価と早期介入の欠如、予期せぬ悪化は入院と高い医療費につながる可能性があります。 本研究は, リアルタイムかつ正確な呼吸器イベント検出のための新しい時空間機械学習アーキテクチャに基づいて, COPDなどの呼吸器疾患の悪化リスクを予測するマルチモーダルソリューションを提案し, 地域環境・気象データ・トレンドの追跡を行う。 提案された新しい機械学習アーキテクチャは、畳み込みニューラルネットワークと繰り返しニューラルネットワークのキー属性をブレンドし、呼吸音にエンコードされた空間的および時間的特徴の両方を抽出し、正確な分類と症状の追跡を可能にする。 環境センサと気象センサのデータ、そして振り返り医療研究に基づく予測モデルと組み合わせることで、このソリューションは呼吸器疾患の悪化を早期に警告し、提供することができる。 本研究は,早期医療介入による患者の生活の質の向上を図り,入院率と医療費の低減を図る。

関連論文リスト

• Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
  本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。 健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。 ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
  論文  参考訳（メタデータ） (2024-09-05T02:14:31Z)
• 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)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• An Apparatus for the Simulation of Breathing Disorders: Physically Meaningful Generation of Surrogate Data [24.50116388903113]
  健常者における閉塞性および拘束性呼吸波形の両方をシミュレートする簡便かつ効果的な方法として,PVCチューブと3Dプリント部品からなる装置を提案する。 呼吸抵抗と呼吸抵抗の両方を独立に制御することで、FEV1/FVCの吸気比の全スペクトルを通して閉塞性呼吸障害をシミュレーションすることができる。 人工呼吸障害シミュレーション装置の使用による波形においても、吸気義務周期の変化やピークフローの変化などの呼吸障害の波形特性が観察される。
  論文  参考訳（メタデータ） (2021-09-14T14:00:37Z)
• Early prediction of respiratory failure in the intensive care unit [1.8312530927511608]
  呼吸器系不全の早期予測は、呼吸器系不全のリスクを患者に警告する可能性がある。 本研究では,中等度/重度呼吸不全を事前に8時間まで予測する早期警報システムを提案する。
  論文  参考訳（メタデータ） (2021-05-12T15:20:09Z)
• 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)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)
• Robust Deep Learning Framework For Predicting Respiratory Anomalies and Diseases [26.786743524562322]
  本稿では,呼吸音の記録から呼吸器疾患を検出するための,堅牢な深層学習フレームワークを提案する。 バックエンドのディープラーニングモデルは、特徴を呼吸器疾患または異常のクラスに分類する。 ICBHIベンチマークを用いて実験を行い, 音の分類能力を評価する。
  論文  参考訳（メタデータ） (2020-01-21T15:26:52Z)

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。