論文の概要: Tracking agitation in people living with dementia in a care environment

• arxiv url: http://arxiv.org/abs/2104.09305v1
• Date: Thu, 15 Apr 2021 06:21:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-24 15:22:25.038233
• Title: Tracking agitation in people living with dementia in a care environment
• Title（参考訳）: 認知症高齢者の介護環境における追跡的動揺
• Authors: Shehroz S. Khan, Thaejaesh Sooriyakumaran, Katherine Rich, Sofija Spasojevic, Bing Ye, Kristine Newman, Andrea Iaboni, Alex Mihailidis
• Abstract要約: 鎮静は、認知症(PwD)に罹患する人々の苦痛を伝える症状である。 ケアスタッフは、これらの症状を、居住状況の変化を検知し、リスクを評価し、介入に対する反応を監視する方法として追跡し、記録する。 このドキュメンテーションは時間がかかり、スタッフの制約のため、動揺のエピソードは観察できない可能性がある。 本論文では、マルチモーダルウェアラブルデバイスが20$ PwDで装着された認知症ユニットで実施された2年間の実世界調査の結果について述べる。
• 参考スコア（独自算出の注目度）: 2.8935683517021773
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Agitation is a symptom that communicates distress in people living with dementia (PwD), and that can place them and others at risk. In a long term care (LTC) environment, care staff track and document these symptoms as a way to detect when there has been a change in resident status to assess risk, and to monitor for response to interventions. However, this documentation can be time-consuming, and due to staffing constraints, episodes of agitation may go unobserved. This brings into question the reliability of these assessments, and presents an opportunity for technology to help track and monitor behavioural symptoms in dementia. In this paper, we present the outcomes of a 2 year real-world study performed in a dementia unit, where a multi-modal wearable device was worn by $20$ PwD. In line with a commonly used clinical documentation tool, this large multi-modal time-series data was analyzed to track the presence of episodes of agitation in 8-hour nursing shifts. The development of a baseline classification model (AUC=0.717) on this dataset and subsequent improvement (AUC= 0.779) lays the groundwork for automating the process of annotating agitation events in nursing charts.
• Abstract（参考訳）: 扇動は認知症(PwD)に罹患する人々の苦痛を伝える症状であり、それらと他人を危険にさらすことができる。 長期ケア(ltc)環境では、ケアスタッフはこれらの症状を、リスクを評価するために居住状況が変化したことを検知し、介入に対する反応を監視する手段として追跡し、文書化する。 しかし、この文書は時間がかかり、スタッフの制約のため、扇動のエピソードは観察されない可能性がある。 これはこれらの評価の信頼性に疑問を呈し、認知症の行動症状を追跡し監視するテクノロジーの機会を提供する。 本稿では,マルチモーダルウェアラブルデバイスを20ドルpwdで装着した認知症患者を対象とした2年間の実世界調査の結果について述べる。 この大規模マルチモーダル時系列データを用いて,8時間看護シフトにおける動揺の出現状況の追跡を行った。 このデータセットに基づくベースライン分類モデル(AUC=0.717)の開発とその後の改善(AUC=0.779)は、看護表に注釈付けイベントの処理を自動化するための基盤となる。

関連論文リスト

• 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)
• Signal Processing Grand Challenge 2023 -- e-Prevention: Sleep Behavior as an Indicator of Relapses in Psychotic Patients [27.6075917779323]
  本稿では,精神病患者の再発検出におけるUSC SAILのシグナル処理グランドチャレンジ2023-e-Prevention(Task2)への取り組みと成果について述べる。 本研究では、非教師なし機械学習環境において、睡眠行動の特徴を用いて、再発日を外れ値として推定する。 我々の提出はタスクの公式リーダーボードで第3位にランクされ、精神的な再発の客観的かつ非侵襲的な予測因子としての可能性を示した。
  論文  参考訳（メタデータ） (2023-04-17T21:02:46Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• 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)
• Outlier detection of vital sign trajectories from COVID-19 patients [0.196743816844807]
  時系列トラジェクトリを比較するために,動的時間ワープ距離に基づく測度を導入する。 本手法は, 類似の軌跡を持つ異常エポックやクラスターエポックを同定できることを示す。 当科では, 外来で入院した患者について, 異常なバイタルサインとアウトリーエポックがよく一致していることを示し, 当科に入院した患者を同定した。
  論文  参考訳（メタデータ） (2022-07-15T16:22:07Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• 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)
• Posttraumatic Stress Disorder Hyperarousal Event Detection Using Smartwatch Physiological and Activity Data [0.0]
  PTSD(英: Posttraumatic Stress Disorder)は、アメリカ合衆国の退役軍人の約4分の1が、戦域から帰還する精神疾患である。 患者は治療セッションの外でPTSD症状を最も重篤に経験することが多い。 モバイルヘルスアプリケーションは、このギャップに対処するかもしれないが、その効果は、継続的監視と時間的介入を可能にする検出能力の現在のギャップによって制限されている。
  論文  参考訳（メタデータ） (2021-09-29T22:24:10Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。