論文の概要: On the Use of Time Series Kernel and Dimensionality Reduction to Identify the Acquisition of Antimicrobial Multidrug Resistance in the Intensive Care Unit

• arxiv url: http://arxiv.org/abs/2107.10398v1
• Date: Wed, 7 Jul 2021 14:44:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-25 13:52:19.588435
• Title: On the Use of Time Series Kernel and Dimensionality Reduction to Identify the Acquisition of Antimicrobial Multidrug Resistance in the Intensive Care Unit
• Title（参考訳）: 集中治療室における抗菌性多剤耐性獲得のための時系列カーネルの利用と寸法低減について
• Authors: \'Oscar Escudero-Arnanz, Joaqu\'in Rodr\'iguez-\'Alvarez, Karl {\O}yvind Mikalsen, Robert Jenssen, Cristina Soguero-Ruiz
• Abstract要約: 集中治療室 (ICU) に入院した患者に対する抗微生物多剤耐性 (AMR) の獲得は, 世界的な関心事である。 2004年から2020年にかけて、フエンラブラダ大学病院(マドリッド)で記録された3476人のデータを分析した。 18%の患者がICU滞在中にAMRを服用した。
• 参考スコア（独自算出の注目度）: 10.477242443467363
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The acquisition of Antimicrobial Multidrug Resistance (AMR) in patients admitted to the Intensive Care Units (ICU) is a major global concern. This study analyses data in the form of multivariate time series (MTS) from 3476 patients recorded at the ICU of University Hospital of Fuenlabrada (Madrid) from 2004 to 2020. 18\% of the patients acquired AMR during their stay in the ICU. The goal of this paper is an early prediction of the development of AMR. Towards that end, we leverage the time-series cluster kernel (TCK) to learn similarities between MTS. To evaluate the effectiveness of TCK as a kernel, we applied several dimensionality reduction techniques for visualization and classification tasks. The experimental results show that TCK allows identifying a group of patients that acquire the AMR during the first 48 hours of their ICU stay, and it also provides good classification capabilities.
• Abstract（参考訳）: 集中治療室 (ICU) に入院した患者に対する抗微生物多剤耐性 (AMR) の獲得は, 世界的な関心事である。 2004年から2020年にかけて、フエンラブラダ大学病院(マドリッド大学)のICUで記録された3476人の多変量時系列(MTS)データを分析した。 icu滞在中にamrを取得した患者は18\%であった。 本研究の目的は,amrの開発を早期に予測することである。 そのために、時系列クラスタカーネル(TCK)を活用して、TS間の類似性を学習する。 カーネルとしてのTCKの有効性を評価するため、可視化および分類タスクにいくつかの次元削減手法を適用した。 実験の結果、TCKは、ICU滞在後48時間にAMRを取得する患者のグループを識別することができ、また、優れた分類能力も提供することが示された。

関連論文リスト

• Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients [7.727213847237959]
  本研究では,GRU(Gated Recurrent Units)と高度な内在的・ポストホック的解釈可能性技術を統合した新しい手法を提案する。 ICU患者に対するMDR(Multidrug-Resistant)感染に関連する危険因子の特定を目的とした。
  論文  参考訳（メタデータ） (2024-07-24T11:12:01Z)
• Deep Representation Learning-Based Dynamic Trajectory Phenotyping for Acute Respiratory Failure in Medical Intensive Care Units [4.9981612589160775]
  セプシスによる急性呼吸不全(ARF)は予後不良の重篤な合併症である。 本稿では, 敗血症患者の臨床軌跡の異なるグループを同定するために, 深部表現学習に基づく表現型表現法を提案する。
  論文  参考訳（メタデータ） (2024-05-04T04:29:22Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Identifying Subgroups of ICU Patients Using End-to-End Multivariate Time-Series Clustering Algorithm Based on Real-World Vital Signs Data [1.6160887070677055]
  本研究は,MIMIC-IVデータベースをデータソースとして,動的,高周波,多変量周期のバイタルサインデータの利用について検討した。 様々なクラスタリングアルゴリズムを比較し,K-Meansと組み合わせたTime2Featと呼ばれるエンドツーエンドの時系列クラスタリングシステムを,ICUの患者をクラスタリングする最も効果的な方法として選択した。
  論文  参考訳（メタデータ） (2023-06-03T14:25:15Z)
• XMI-ICU: Explainable Machine Learning Model for Pseudo-Dynamic Prediction of Mortality in the ICU for Heart Attack Patients [3.5475382876263915]
  心臓発作は、米国と世界の死亡率に最も貢献している1つである。 我々は,ICUにおける死亡予測のための新しい擬似力学機械学習フレームワークを開発し,解釈可能性と臨床リスク分析を行った。
  論文  参考訳（メタデータ） (2023-05-10T12:53:18Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• 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)
• Temporal Pointwise Convolutional Networks for Length of Stay Prediction in the Intensive Care Unit [0.0]
  本稿では,時間的畳み込みとポイントワイド(1x1)畳み込みを組み合わせた新しい深層学習モデルを提案する。 電子健康記録(Electronic Health Records)の一般的な課題、例えば歪み、不規則なサンプリング、欠落データを軽減するために特別に設計された。 サイドタスクとして予測を追加することで、パフォーマンスをさらに向上できるため、滞在期間の予測において平均的な1.55日(eICU)と2.28日(MIMIC-IV)の偏差が生じる。
  論文  参考訳（メタデータ） (2020-07-18T17:30:10Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。