論文の概要: A Model-Based Approach to Synthetic Data Set Generation for
Patient-Ventilator Waveforms for Machine Learning and Educational Use
- arxiv url: http://arxiv.org/abs/2103.15684v1
- Date: Mon, 29 Mar 2021 15:10:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 20:05:41.017404
- Title: A Model-Based Approach to Synthetic Data Set Generation for
Patient-Ventilator Waveforms for Machine Learning and Educational Use
- Title（参考訳）: モデルに基づく患者-換気器波形の合成データセット生成の機械学習と教育への応用
- Authors: A. van Diepen, T. H. G. F. Bakkes, A. J. R. De Bie, S. Turco, R. A.
Bouwman, P. H. Woerlee, M. Mischi
- Abstract要約: 機械学習と教育利用のための合成データセットを生成するモデルベースのアプローチを提案する。
文献中の測定結果から得られた9種類の患者原型を用いて合成データセットを生成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although mechanical ventilation is a lifesaving intervention in the ICU, it
has harmful side-effects, such as barotrauma and volutrauma. These harms can
occur due to asynchronies. Asynchronies are defined as a mismatch between the
ventilator timing and patient respiratory effort. Automatic detection of these
asynchronies, and subsequent feedback, would improve lung ventilation and
reduce the probability of lung damage. Neural networks to detect asynchronies
provide a promising new approach but require large annotated data sets, which
are difficult to obtain and require complex monitoring of inspiratory effort.
In this work, we propose a model-based approach to generate a synthetic data
set for machine learning and educational use by extending an existing lung
model with a first-order ventilator model. The physiological nature of the
derived lung model allows adaptation to various disease archetypes, resulting
in a diverse data set. We generated a synthetic data set using 9 different
patient archetypes, which are derived from measurements in the literature. The
model and synthetic data quality have been verified by comparison with clinical
data, review by a clinical expert, and an artificial intelligence model that
was trained on experimental data. The evaluation showed it was possible to
generate patient-ventilator waveforms including asynchronies that have the most
important features of experimental patient-ventilator waveforms.
- Abstract（参考訳）: 機械的換気はICUの救命介入であるが、バロトラウマやフォルトラウマのような有害な副作用がある。
これらの危害は、非同期性によって起こりうる。
非同期ロニーは人工呼吸器のタイミングと患者の呼吸努力のミスマッチとして定義される。
これらの非同期性の自動検出とその後のフィードバックは、肺換気を改善し、肺損傷の可能性を減少させる。
非同期性を検出するニューラルネットワークは、有望な新しいアプローチを提供するが、大きな注釈付きデータセットを必要とする。
本研究では,既存の肺モデルを一階換気器モデルで拡張することにより,機械学習と教育用のための合成データセットを生成するためのモデルベースアプローチを提案する。
肺モデルの生理学的性質は、様々な疾患の古型への適応を可能にし、様々なデータセットをもたらす。
文献上の測定結果から得られた9種類の患者アーチタイプを用いた合成データセットを作成した。
モデルと合成データの品質は、臨床データとの比較、臨床専門家によるレビュー、実験データに基づいて訓練された人工知能モデルによって検証されている。
評価の結果, 患者換気波形の最も重要な特徴を有する気管支を含む患者換気波形の生成が可能であった。
関連論文リスト
- Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文 参考訳（メタデータ） (2024-12-30T01:59:34Z) - Predicting Extubation Failure in Intensive Care: The Development of a Novel, End-to-End Actionable and Interpretable Prediction System [0.0]
集中治療における排他的障害の予測は、複雑なデータと不正確な予測の重大な結果のために困難である。
機械学習は、臨床的な意思決定を改善することを約束するが、時間的患者の軌跡やモデル解釈可能性を考慮するのに失敗することが多い。
本研究では, 時相モデリング手法を用いて, エクスキュベーション故障の予測システムを構築することを目的とした。
論文 参考訳（メタデータ） (2024-11-27T22:19:47Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Unconditional Latent Diffusion Models Memorize Patient Imaging Data: Implications for Openly Sharing Synthetic Data [2.04850174048739]
我々は、合成データ生成のためのCT、MR、X線データセット上で潜時拡散モデルを訓練する。
そして,新たな自己教師型コピー検出手法を用いて,記憶したトレーニングデータの量を検出する。
以上の結果から,全データセットにまたがる驚くほど高い患者のデータ記憶が得られた。
論文 参考訳（メタデータ） (2024-02-01T22:58:21Z) - 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) - A Generative Modeling Framework for Inferring Families of Biomechanical
Constitutive Laws in Data-Sparse Regimes [0.15658704610960567]
本稿では,データスパース体制における関係の家族を効率的に推定する新しい手法を提案する。
機能的先行概念に着想を得て,ニューラル演算子をジェネレータとし,完全接続ネットワークを敵判別器として組み込んだ生成ネットワーク(GAN)を開発した。
論文 参考訳（メタデータ） (2023-05-04T22:07:27Z) - ECGAN: Self-supervised generative adversarial network for
electrocardiography [11.460692362624533]
高品質な合成データは、バイオメディカルタスクのための効果的な予測モデルの開発を支援することができる。
これらの制限は、例えば不整脈に関する心電図データセットへのオープンアクセスに悪影響を及ぼす。
本研究は, 人工心電図時系列生成における自己監督的アプローチを導入する。
論文 参考訳（メタデータ） (2023-01-23T15:48:02Z) - Spirometry-based airways disease simulation and recognition using
Machine Learning approaches [0.0]
本研究は、スピロメーターを用いて容易に記録できる測定方法に焦点を当てる。
このフレームワークで使用される信号は、肺の線形複区画モデルを用いてシミュレートされる。
抵抗パラメータと弾性パラメータを変化させることで、健康、線維症、喘息呼吸をシミュレートしたデータサンプルが実現される。
論文 参考訳（メタデータ） (2021-11-08T08:01:18Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - 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) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。