Fugu-MT 論文翻訳(概要): Predicting Medical Interventions from Vital Parameters: Towards a Decision Support System for Remote Patient Monitoring

論文の概要: Predicting Medical Interventions from Vital Parameters: Towards a Decision Support System for Remote Patient Monitoring

arxiv url: http://arxiv.org/abs/2104.10085v1
Date: Tue, 20 Apr 2021 16:13:37 GMT
ステータス: 処理完了
システム内更新日: 2021-04-21 13:52:17.148766
Title: Predicting Medical Interventions from Vital Parameters: Towards a Decision Support System for Remote Patient Monitoring
Title（参考訳）: バイタルパラメーターによる医療介入の予測 : 遠隔患者モニタリングのための意思決定支援システムに向けて
Authors: Kordian Gontarska and Weronika Wrazen and Jossekin Beilharz and Robert Schmid and Lauritz Thamsen and Andreas Polze
Abstract要約: 定常的な患者モニタリングは、医師が時間通りに反応し、適切な治療を提供できるため、より良い治療を可能にします。遠隔医療は常時遠隔監視が可能で、患者は自宅にとどまり、医療センシング機器とネットワーク接続のみを必要とする。遠隔医療センターの制限要因は、同時に監視できる患者の数である。本稿では,患者バイタルパラメータに基づくリスクスコア推定のための機械学習モデルについて検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cardiovascular diseases and heart failures in particular are the main cause of non-communicable disease mortality in the world. Constant patient monitoring enables better medical treatment as it allows practitioners to react on time and provide the appropriate treatment. Telemedicine can provide constant remote monitoring so patients can stay in their homes, only requiring medical sensing equipment and network connections. A limiting factor for telemedical centers is the amount of patients that can be monitored simultaneously. We aim to increase this amount by implementing a decision support system. This paper investigates a machine learning model to estimate a risk score based on patient vital parameters that allows sorting all cases every day to help practitioners focus their limited capacities on the most severe cases. The model we propose reaches an AUCROC of 0.84, whereas the baseline rule-based model reaches an AUCROC of 0.73. Our results indicate that the usage of deep learning to improve the efficiency of telemedical centers is feasible. This way more patients could benefit from better health-care through remote monitoring.
Abstract（参考訳）: 心臓血管疾患、特に心不全は、世界における非感染性疾患の死亡の主な原因である。定期的な患者モニタリングは、医師が時間通りに反応し、適切な治療を提供するため、より良い治療を可能にする。遠隔医療は常時遠隔監視が可能で、患者は自宅にとどまり、医療センシング機器とネットワーク接続のみを必要とする。遠隔医療センターの制限要因は、同時に監視できる患者の数である。我々は、意思決定支援システムを実装することで、この額を増やすことを目指している。本研究は,患者が日常的に患者を選別できるリスクパラメータに基づいて,リスクスコアを推定する機械学習モデルについて検討する。提案するモデルはAUCROCが0.84であるのに対し、ベースラインルールベースモデルはAUCROCが0.73である。この結果から,遠隔医療センターの効率向上に深層学習が有効であることが示唆された。この方法では、遠隔監視による医療の改善からより多くの患者が恩恵を受けることができる。

関連論文リスト

Leveraging Computer Vision in the Intensive Care Unit (ICU) for Examining Visitation and Mobility [12.347067736902094]
我々は、奥行き画像に基づく最先端の非侵襲型コンピュータビジョンシステムを活用し、ICU訪問と患者の移動性を特徴付ける。患者視力低下と訪問の増加に伴うデリリウムの出現との関連を見いだした。 ICU患者に対する非侵襲的自律システムの有用性と可能性について検討した。
論文参考訳（メタデータ） (2024-03-10T21:43:47Z)
Early prediction of the risk of ICU mortality with Deep Federated Learning [0.0]
我々は,集中治療室の死亡リスクを早期に予測するために,深層連携学習の能力を評価する。患者の病歴ウィンドウが退院や死亡に近づくと,予測性能が高くなることを示す。
論文参考訳（メタデータ） (2022-12-01T15:01:27Z)
Learning Optimal Treatment Strategies for Sepsis Using Offline Reinforcement Learning in Continuous Space [4.031538204818658]
本稿では,臨床医がリアルタイム治療に最適な基準選択を推奨するのに役立つ,歴史的データに基づく新しい医療決定モデルを提案する。本モデルでは, オフライン強化学習と深層強化学習を組み合わせることで, 医療における従来の強化学習が環境と相互作用できない問題に対処する。
論文参考訳（メタデータ） (2022-06-22T16:17:21Z)
Using Deep Learning-based Features Extracted from CT scans to Predict Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文参考訳（メタデータ） (2022-05-10T16:22:16Z)
Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文参考訳（メタデータ） (2021-12-19T01:45:57Z)
Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文参考訳（メタデータ） (2021-12-17T04:39:33Z)
COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文参考訳（メタデータ） (2021-09-14T14:16:32Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文参考訳（メタデータ） (2020-07-20T19:08:50Z)
Multi-Task Temporal Shift Attention Networks for On-Device Contactless Vitals Measurement [9.825675909430611]
ビデオベースおよびオンデバイス型光学式心肺蘇生標識計測手法を提案する。移動プラットフォーム上でのリアルタイム心血管および呼吸の測定を可能にする。我々は,高度なRISCマシン(ARM)CPU上でのシステム評価を行い,150フレーム/秒以上動作しながら最先端の精度を実現した。
論文参考訳（メタデータ） (2020-06-06T06:31:24Z)
Reconfiguring health services to reduce the workload of caregivers during the COVID-19 outbreak using an open-source scalable platform for remote digital monitoring and coordination of care in hospital Command Centres [55.41644538483948]
在宅患者を自動的に遠隔監視するデジタル技術について述べる。患者は単純で自己申告されたアンケートに回答し、そのデータはリアルタイムで最寄りの病院のコマンドセンターに送信される。
論文参考訳（メタデータ） (2020-03-12T16:08:09Z)

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。