論文の概要: Late fusion of machine learning models using passively captured
interpersonal social interactions and motion from smartphones predicts
decompensation in heart failure
- arxiv url: http://arxiv.org/abs/2104.01511v1
- Date: Sun, 4 Apr 2021 01:04:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:20:46.851387
- Title: Late fusion of machine learning models using passively captured
interpersonal social interactions and motion from smartphones predicts
decompensation in heart failure
- Title（参考訳）: 受動的に捕獲された対人交流を用いた機械学習モデルの後期融合とスマートフォンからの動作による心不全の補償予測
- Authors: Ayse S. Cakmak, Samuel Densen, Gabriel Najarro, Pratik Rout,
Christopher J. Rozell, Omer T. Inan, Amit J. Shah, Gari D. Clifford
- Abstract要約: 心不全(HF)は、死亡率と死亡率の主要な原因であり、入院の主な原因の1つです。
退院後、スマートフォンアプリで20人が監視された。
スマートフォンを用いたモニタリングシステムを用いて収集した動作,社会的,位置,臨床調査データを用いて,HF補償イベントの予測・分類を行うアルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 10.26574533594142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Worldwide, heart failure (HF) is a major cause of morbidity and
mortality and one of the leading causes of hospitalization. Early detection of
HF symptoms and pro-active management may reduce adverse events. Approach:
Twenty-eight participants were monitored using a smartphone app after discharge
from hospitals, and each clinical event during the enrollment (N=110 clinical
events) was recorded. Motion, social, location, and clinical survey data
collected via the smartphone-based monitoring system were used to develop and
validate an algorithm for predicting or classifying HF decompensation events
(hospitalizations or clinic visit) versus clinic monitoring visits in which
they were determined to be compensated or stable. Models based on single
modality as well as early and late fusion approaches combining patient-reported
outcomes and passive smartphone data were evaluated. Results: The highest AUCPr
for classifying decompensation with a late fusion approach was 0.80 using leave
one subject out cross-validation. Significance: Passively collected data from
smartphones, especially when combined with weekly patient-reported outcomes,
may reflect behavioral and physiological changes due to HF and thus could
enable prediction of HF decompensation.
- Abstract（参考訳）: 目的: 世界規模の心臓不全(HF)は致死率と死亡率の主要な原因であり、入院の主な原因の1つである。
HFの早期検出とプロアクティブ・マネージメントは有害事象を減少させる可能性がある。
アプローチ: 退院後, スマートフォンアプリを用いて28名の被験者をモニターし, 入院中の各臨床イベント(n=110臨床イベント)を記録した。
スマートフォンベースのモニタリングシステムを用いて収集した運動, 社会的, 位置, 臨床調査データを用いて, hf非補償事象(ホスピタリゼーションやクリニック訪問)の予測および分類アルゴリズムを, 補償または安定と判定されたクリニックモニタリング訪問に対して開発し, 検証した。
患者報告結果と受動的スマートフォンデータを組み合わせた,単一モダリティに基づくモデルおよび早期・後期融合アプローチの評価を行った。
結果: 後期核融合法で脱補償を分類する最も高いaucprは0.80であった。
意義:スマートフォンからの受動的収集データ、特に毎週の患者報告結果と組み合わせることで、HFによる行動的・生理的変化を反映し、HF補正の予測を可能にする。
関連論文リスト
- Federated Anomaly Detection for Early-Stage Diagnosis of Autism Spectrum Disorders using Serious Game Data [0.0]
本研究では,AutoEncoder-based Machine Learning (ML) 手法を用いて,ASD検出のための新しい半教師付きアプローチを提案する。
この目的に特化して設計された真剣なゲームを通じて手作業で収集したデータを利用する。
ゲーミフィケーションされたアプリケーションによって収集されたセンシティブなデータは、プライバシー漏洩の影響を受けやすいため、フェデレートラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2024-10-25T23:00:12Z) - Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
エンゲージメント測定は、医療、教育、サービスに応用される。
生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。
コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
論文 参考訳（メタデータ） (2024-04-05T20:39:16Z) - Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
ICUの既存の患者評価は散発的であり、手動で管理されている。
我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。
634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
論文 参考訳（メタデータ） (2023-11-01T15:07:03Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - MedLens: Improve Mortality Prediction Via Medical Signs Selecting and
Regression [4.43322868663347]
データ品質の問題については文献では議論されていない。
我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。
精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
論文 参考訳（メタデータ） (2023-05-19T15:28:02Z) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - 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) - Predicting Rate of Cognitive Decline at Baseline Using a Deep Neural
Network with Multidata Analysis [8.118172725250805]
本研究では,軽度認知障害患者の認知低下率を予測する機械学習システムについて検討した。
我々は3次元畳み込みニューラルネットワークを用いた教師付きハイブリッドニューラルネットワークに基づく予測モデルを構築した。
論文 参考訳（メタデータ） (2020-02-24T01:39:17Z)
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。