論文の概要: A highly scalable repository of waveform and vital signs data from bedside monitoring devices

• arxiv url: http://arxiv.org/abs/2106.03965v1
• Date: Mon, 7 Jun 2021 20:59:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 08:37:04.003294
• Title: A highly scalable repository of waveform and vital signs data from bedside monitoring devices
• Title（参考訳）: ベッドサイド監視装置からの波形およびバイタルサインデータの高度にスケーラブルなリポジトリ
• Authors: Sanjay Malunjkar, Susan Weber, Somalee Datta
• Abstract要約: 機械学習は、患者バイタルのような様々な種類の信号データに対する研究コミュニティの欲求を喚起している。 医療システムは大量のデータの大量処理には適していない。 我々は,患者を夜間に,オンプレミスのバイオメディカルシステムから永久アーカイブとしてクラウドストレージの場所まで,患者のバイタルデータを同期するソリューションを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The advent of cost effective cloud computing over the past decade and ever-growing accumulation of high-fidelity clinical data in a modern hospital setting is leading to new opportunities for translational medicine. Machine learning is driving the appetite of the research community for various types of signal data such as patient vitals. Health care systems, however, are ill suited for massive processing of large volumes of data. In addition, due to the sheer magnitude of the data being collected, it is not feasible to retain all of the data in health care systems in perpetuity. This gold mine of information gets purged periodically thereby losing invaluable future research opportunities. We have developed a highly scalable solution that: a) siphons off patient vital data on a nightly basis from on-premises bio-medical systems to a cloud storage location as a permanent archive, b) reconstructs the database in the cloud, c) generates waveforms, alarms and numeric data in a research-ready format, and d) uploads the processed data to a storage location in the cloud ready for research. The data is de-identified and catalogued such that it can be joined with Electronic Medical Records (EMR) and other ancillary data types such as electroencephalogram (EEG), radiology, video monitoring etc. This technique eliminates the research burden from health care systems. This highly scalable solution is used to process high density patient monitoring data aggregated by the Philips Patient Information Center iX (PIC iX) hospital surveillance system for archival storage in the Philips Data Warehouse Connect enterprise-level database. The solution is part of a broader platform that supports a secure high performance clinical data science platform.
• Abstract（参考訳）: 過去10年間の費用対効果の高いクラウドコンピューティングの出現と、現代病院における高忠実度臨床データの蓄積は、翻訳医療の新たな機会に繋がる。 機械学習は、患者バイタルのような様々な種類の信号データに対する研究コミュニティの欲求を駆り立てている。 しかし、医療システムは大量のデータの大量処理には適していない。 また、収集されるデータの規模が大きいため、医療システム内のすべてのデータを永久に保持することは不可能である。 この情報の金鉱は定期的に浄化され、将来の貴重な研究機会を失う。 私たちは高度にスケーラブルなソリューションを開発しました a) オンプレミスのバイオメディカルシステムから常設アーカイブとしてクラウドストレージロケーションまで,夜間に患者バイタルデータをオフにすること。 b) クラウド上のデータベースを再構築すること。 c) 波形,アラーム,数値データを研究可能な形式で生成し, d) 処理したデータを研究の準備が整ったクラウド上のストレージにアップロードする。 データは、電子医療記録(EMR)や他の脳波(EEG)、放射線学、ビデオ監視などの補助データと結合できるように、識別され、カタログ化されている。 この技術は医療システムの研究負担を軽減する。 この高度にスケーラブルなソリューションは、Philips Data Warehouse ConnectのエンタープライズレベルのデータベースにおけるアーカイブストレージのためのPhilips patient Information Center iX(PIC iX)病院監視システムによって集約された高密度患者監視データを処理するために使用される。 このソリューションは、安全な高性能な臨床データサイエンスプラットフォームをサポートする広範なプラットフォームの一部である。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• DAMMI:Daily Activities in a Psychologically Annotated Multi-Modal IoT dataset [10.771838327042609]
  DAMMIデータセットは、この分野の研究者を支援するように設計されている。 これには、ホームインストールされたセンサー、スマートフォンデータ、リストバンド146日以上にわたって収集された高齢者の日々の行動データが含まれている。 データ収集は、新型コロナウイルス(COVID-19)のパンデミック、正月、ラマダンの宗教月など、重要なイベントにまたがる。
  論文  参考訳（メタデータ） (2024-10-05T13:26:54Z)
• Building Flexible, Scalable, and Machine Learning-ready Multimodal Oncology Datasets [17.774341783844026]
  本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。 MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。 MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
  論文  参考訳（メタデータ） (2023-09-30T15:44:39Z)
• Disease Insight through Digital Biomarkers Developed by Remotely Collected Wearables and Smartphone Data [3.9411499615751113]
  RADAR-baseは、ConfluentのApache Kafkaを中心に構築された、現代的なリモートデータ収集プラットフォームである。 研究設計とセットアップ、アクティブ(例えばPROM)、パッシブ(電話センサー、ウェアラブルデバイス、IoT)リモートデータ収集機能のサポートを提供する。 このプラットフォームは、多発性硬化症、うつ病、てんかん、ADHD、アルツハイマー、自閉症、肺疾患を含む多くの疾患領域において、様々なコホートに対する経時的データ収集に成功した。
  論文  参考訳（メタデータ） (2023-08-03T22:44:48Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• A Methodology for a Scalable, Collaborative, and Resource-Efficient Platform to Facilitate Healthcare AI Research [0.0]
  本稿では,データ取得,データセット開発と分析,AIモデル開発を高速化するシステムを提案する。 このシステムは、1時間に15,000人の患者記録を取り込み、各記録は何千もの測定値、テキストノート、高解像度のデータを表す。
  論文  参考訳（メタデータ） (2021-12-13T18:39:10Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Data Mining with Big Data in Intrusion Detection Systems: A Systematic Literature Review [68.15472610671748]
  クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。 データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。 ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
  論文  参考訳（メタデータ） (2020-05-23T20:57:12Z)
• A new paradigm for accelerating clinical data science at Stanford Medicine [1.3814679165245243]
  Stanford Medicineは、私たちの学術研究コミュニティがより良い臨床データサイエンスを行うための、新しいデータプラットフォームを構築している。 病院には大量の患者データがあり、研究者はそのデータとAIアプローチを再利用できることを実証している。 私たちは、データにアクセスし分析する時間を短縮することを目的とした、新しいセキュアなビッグデータプラットフォームを構築しています。
  論文  参考訳（メタデータ） (2020-03-17T16:21:42Z)

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。