論文の概要: Developing Medical AI : a cloud-native audio-visual data collection
study
- arxiv url: http://arxiv.org/abs/2110.03660v1
- Date: Tue, 17 Aug 2021 18:01:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-18 05:16:23.169096
- Title: Developing Medical AI : a cloud-native audio-visual data collection
study
- Title（参考訳）: 医療AIの開発 : クラウドネイティブな音声視覚データ収集研究
- Authors: Sagi Schein, Greg Arutiunian, Vitaly Burshtein, Gal Sadeh, Michelle
Townshend, Bruce Friedman, Shada Sadr-azodi
- Abstract要約: 本稿では、音声・視覚データ収集研究のためのプロトコル、そのようなデータを効率的に処理・消費するためのクラウドアーキテクチャ、および特定のデータ収集装置の設計について述べる。
本研究の目的は, 当院における退院患者の早期診断を改善することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing Artificial Intelligence (AI) solutions that can operate in
real-world situations is a highly complex task. Deploying such solutions in the
medical domain is even more challenging. The promise of using AI to improve
patient care and reduce cost has encouraged many companies to undertake such
endeavours. For our team, the goal has been to improve early identification of
deteriorating patients in the hospital. Identifying patient deterioration in
lower acuity wards relies, to a large degree on the attention and intuition of
clinicians, rather than on the presence of physiological monitoring devices. In
these care areas, an automated tool which could continuously observe patients
and notify the clinical staff of suspected deterioration, would be extremely
valuable. In order to develop such an AI-enabled tool, a large collection of
patient images and audio correlated with corresponding vital signs, past
medical history and clinical outcome would be indispensable. To the best of our
knowledge, no such public or for-pay data set currently exists. This lack of
audio-visual data led to the decision to conduct exactly such study. The main
contributions of this paper are, the description of a protocol for audio-visual
data collection study, a cloud-architecture for efficiently processing and
consuming such data, and the design of a specific data collection device.
- Abstract（参考訳）: 現実の状況で動作可能な人工知能(AI)ソリューションの設計は非常に複雑な作業である。
このようなソリューションを医療分野に展開することは、さらに難しい。
AIを使って患者のケアを改善し、コストを削減するという約束は、多くの企業にそのような取り組みを奨励している。
私たちのチームにとっての目標は、病院で悪化している患者の早期診断を改善することです。
低明度病棟における患者劣化の特定は、生理学的モニタリング装置の存在よりも、臨床医の注意と直感に大きく依存している。
これらのケア領域では、患者を継続的に観察し、疾患の疑いのある臨床スタッフに通知できる自動化ツールが極めて貴重である。
このようなAI対応ツールを開発するためには、患者の画像と音声の集合が対応するバイタルサインと相関し、過去の医療史と臨床結果が不可欠である。
私たちの知る限りでは、そのような公開データや有料データは存在しない。
この視聴覚データの欠如は、正確にそのような研究を行うことを決定した。
本論文の主な貢献は,音声-視覚データ収集研究のためのプロトコルの記述,それらのデータの効率的な処理と消費のためのクラウドアーキテクチャ,および特定のデータ収集装置の設計である。
関連論文リスト
- TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - Practical Applications of Advanced Cloud Services and Generative AI Systems in Medical Image Analysis [17.4235794108467]
本稿では、医用画像における生成AIの変換可能性について考察し、合成ACM-2データを生成する能力を強調した。
データセットのサイズと多様性の制限に対処することにより、これらのモデルはより正確な診断と患者の結果の改善に寄与する。
論文 参考訳（メタデータ） (2024-03-26T09:55:49Z) - README: Bridging Medical Jargon and Lay Understanding for Patient Education through Data-Centric NLP [9.432205523734707]
医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。
このデータセットは、5万以上のユニークな(医療用語、日常の定義)ペアと30万の言及からなる。
また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
論文 参考訳（メタデータ） (2023-12-24T23:01:00Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - AI-Enhanced Intensive Care Unit: Revolutionizing Patient Care with Pervasive Sensing [2.7503982558916906]
集中治療室 (ICU) は、重篤な患者が集中治療や監視を受ける特別な病院空間である。
包括的モニタリングは、患者の状態、特に明度、究極的にはケアの質を評価する上で必須である。
現在、表情、姿勢、移動といった細部を含む視力評価は散発的に捉えられるか、全く捉えられていない。
論文 参考訳（メタデータ） (2023-03-11T00:25:55Z) - AI Approaches in Processing and Using Data in Personalized Medicine [0.0]
高度な人工知能技術は、そのようなビッグデータを分析し、それらを消費し、パーソナライズされた医療決定をサポートするための新しい知識を導き出す機会を提供する。
高度な機械学習、フェデレートドラーニング、トランスファーラーニング、説明可能な人工知能といった新しいアプローチは、将来的に健康データや医療データをより高品質に活用するための新たな道を開く。
論文 参考訳（メタデータ） (2022-07-26T11:11:39Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - 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) - 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) - 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)
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。