論文の概要: Deep learning methods for screening patients' S-ICD implantation
eligibility
- arxiv url: http://arxiv.org/abs/2103.06021v1
- Date: Wed, 10 Mar 2021 12:37:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 14:49:36.710325
- Title: Deep learning methods for screening patients' S-ICD implantation
eligibility
- Title(参考訳): S-ICD 埋込み適性検査のための深層学習法
- Authors: Anthony J. Dunn, Mohamed H. ElRefai, Paul R. Roberts, Stefano
Coniglio, Benedict M. Wiles and Alain B. Zemkoho
- Abstract要約: 皮下植込み型除細動器(s-icds)は心室性不整脈による突然の心死の予防に用いられる。
T Wave Over Sensing (TWOS)は、S-ICDに固有のリスクであり、不適切なショックを引き起こす可能性がある。
TWOSの主要な予測器は、高いT:R比(T波とR波の振幅の比率)です。
- 参考スコア(独自算出の注目度): 3.4253416336476246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Subcutaneous Implantable Cardioverter-Defibrillators (S-ICDs) are used for
prevention of sudden cardiac death triggered by ventricular arrhythmias. T Wave
Over Sensing (TWOS) is an inherent risk with S-ICDs which can lead to
inappropriate shocks. A major predictor of TWOS is a high T:R ratio (the ratio
between the amplitudes of the T and R waves). Currently patients'
Electrocardiograms (ECGs) are screened over 10 seconds to measure the T:R
ratio, determining the patients' eligibility for S-ICD implantation. Due to
temporal variations in the T:R ratio, 10 seconds is not long enough to reliably
determine the normal values of a patient's T:R ratio. In this paper, we develop
a convolutional neural network (CNN) based model utilising phase space
reconstruction matrices to predict T:R ratios from 10-second ECG segments
without explicitly locating the R or T waves, thus avoiding the issue of TWOS.
This tool can be used to automatically screen patients over a much longer
period and provide an in-depth description of the behaviour of the T:R ratio
over that period. The tool can also enable much more reliable and descriptive
screenings to better assess patients' eligibility for S-ICD implantation.
- Abstract(参考訳): 皮下植込み型除細動器(s-icds)は心室性不整脈による突然の心死の予防に用いられる。
T Wave Over Sensing (TWOS)は、S-ICDに固有のリスクであり、不適切なショックを引き起こす可能性がある。
TWOSの主要な予測器は、高いT:R比(T波とR波の振幅の比)である。
現在、患者の心電図(ECG)を10秒以上スクリーニングし、T:R比を測定し、S-ICD植込みの適性を決定する。
T:R比の経時変化のために、10秒は患者のT:R比の正常値を確実に決定するのに十分長くありません。
本稿では,畳み込みニューラルネットワーク(CNN)に基づく位相空間再構成行列を用いたモデルを開発し,R波やT波を明示的に検出することなく10秒ECGセグメントからT:R比を予測し,TWOSの問題を回避する。
このツールは、ずっと長い期間患者を自動的にスクリーニングし、その期間におけるt:r比の挙動を詳細に記述するために使うことができる。
また、より信頼性が高く記述的なスクリーニングにより、S-ICD移植に対する患者の適性を評価することもできる。
関連論文リスト
- Electromechanical Dynamics of the Heart: A Study of Cardiac Hysteresis During Physical Stress Test [6.353221273197041]
運動中の電気機械間隔(RR, QT, シストリック, ジアストリック)とその相互作用について検討した。
深層学習モデルは、RRデータからQT, systolic, diastolic intervalを推定し、RRと他の区間の非線形関係を確認する。
発見は、心電図とPCGの形態と心拍数履歴のタイミングをリンクすることで、重要な心臓記憶効果を浮き彫りにする。
論文 参考訳(メタデータ) (2024-10-25T16:23:19Z) - Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳(メタデータ) (2024-10-18T12:37:51Z) - Optimizing Medication Decisions for Patients with Atrial Fibrillation
through Path Development Network [4.682776828229116]
心房細動(英: atrial fibrillation、AF)は、心房の急激な収縮と不規則な収縮を特徴とする一般的な不整脈である。
本研究では,AF患者に抗凝固療法を推奨すべきかどうかを予測する機械学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-18T14:31:11Z) - Quantitative perfusion maps using a novelty spatiotemporal convolutional
neural network [13.188103532542797]
本研究では,空間的・時間的情報を考慮した拡散パラメータ推定ネットワークを提案する。
その結果,脳血流量 (CBV), 脳血流量 (CBF), 残存機能 (Tmax) などの灌流パラメータを正確に推定できることが示唆された。
提案したモデルは、商用のゴールドスタンダードソフトウェアの性能に近づき、時間効率も維持する。
論文 参考訳(メタデータ) (2023-12-08T09:22:25Z) - DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning
approach for thoracic aorta segmentation and aneurysm prediction using
computed tomography scans [2.3135717943756307]
胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の進行拡大による解離や破裂を引き起こす致命的な疾患である。
その他の指標は、このスクリーニングに役立つが、コントラスト増強や低用量プロトコールを伴わずに取得すれば、臨床評価が困難になる可能性がある。
本研究は, 対照群とTAA患者を含む587種類のCTスキャンを, コントラスト増強の有無にかかわらず低線量および標準線量プロトコールで取得した。
新たなセグメンテーションモデルであるDeepVoxは,開発およびテストセットに対してそれぞれ0.932と0.897のダイススコア係数を示した。
論文 参考訳(メタデータ) (2023-10-23T19:48:58Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - Personalized Deep Learning for Ventricular Arrhythmias Detection on
Medical IoT Systems [17.966382901357118]
心室不整脈(VA)は突然死(SCD)の原因である
医療用IoTシステム上での深層学習に基づくVA検出のためのパーソナライズされたコンピューティングフレームワークを提案する。
心内および表面リズムモニターの両方でリアルタイムに推定を行う。
論文 参考訳(メタデータ) (2020-08-18T17:41:58Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
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。