論文の概要: Predicting High-Flow Nasal Cannula Failure in an ICU Using a Recurrent Neural Network with Transfer Learning and Input Data Perseveration: A Retrospective Analysis

• arxiv url: http://arxiv.org/abs/2111.11846v1
• Date: Sat, 20 Nov 2021 01:23:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-26 04:54:40.722313
• Title: Predicting High-Flow Nasal Cannula Failure in an ICU Using a Recurrent Neural Network with Transfer Learning and Input Data Perseveration: A Retrospective Analysis
• Title（参考訳）: トランスファーラーニングと入力データ Perseverationを併用したリカレントニューラルネットワークを用いたICUにおける高流動鼻腔損傷の予測:振り返り解析
• Authors: George A. Pappy, Melissa D. Aczon, Randall C. Wetzel, David R. Ledbetter
• Abstract要約: High Flow Nasal Cannula (HFNC) は重篤な小児に非侵襲的呼吸補助を提供する。 HFNCの故障のタイムリーな予測は、呼吸支持の増大の兆候を与える。 この研究は、HFNCの故障を予測するために機械学習モデルを開発し、比較した。
• 参考スコア（独自算出の注目度）: 0.8399688944263842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High Flow Nasal Cannula (HFNC) provides non-invasive respiratory support for critically ill children who may tolerate it more readily than other Non-Invasive (NIV) techniques. Timely prediction of HFNC failure can provide an indication for increasing respiratory support. This work developed and compared machine learning models to predict HFNC failure. A retrospective study was conducted using EMR of patients admitted to a tertiary pediatric ICU from January 2010 to February 2020. A Long Short-Term Memory (LSTM) model was trained to generate a continuous prediction of HFNC failure. Performance was assessed using the area under the receiver operating curve (AUROC) at various times following HFNC initiation. The sensitivity, specificity, positive and negative predictive values (PPV, NPV) of predictions at two hours after HFNC initiation were also evaluated. These metrics were also computed in a cohort with primarily respiratory diagnoses. 834 HFNC trials [455 training, 173 validation, 206 test] met the inclusion criteria, of which 175 [103, 30, 42] (21.0%) escalated to NIV or intubation. The LSTM models trained with transfer learning generally performed better than the LR models, with the best LSTM model achieving an AUROC of 0.78, vs 0.66 for the LR, two hours after initiation. Machine learning models trained using EMR data were able to identify children at risk for failing HFNC within 24 hours of initiation. LSTM models that incorporated transfer learning, input data perseveration and ensembling showed improved performance than the LR and standard LSTM models.
• Abstract（参考訳）: HFNC(High Flow Nasal Cannula)は、他の非侵襲的(NIV)技術よりも容易にそれに耐えられる重篤な小児に非侵襲的呼吸支援を提供する。 HFNCの故障のタイムリーな予測は、呼吸サポートの増加の指標となる。 この研究は、HFNCの故障を予測する機械学習モデルを開発し、比較した。 2010年1月から2020年2月にかけて第3回小児icu入院患者のemrを用いた回顧調査を行った。 長短期記憶(LSTM)モデルは、HFNC故障の継続的な予測を生成するために訓練された。 HFNC開始後, 受信操作曲線 (AUROC) 下において, 様々な時間で性能評価を行った。 また, HFNC開始2時間後の予測の感度, 特異性, 正および負の予測値 (PPV, NPV) も評価した。 これらの指標は、主に呼吸診断を伴うコホートでも計算された。 834 HFNC 試験 (455 トレーニング, 173 検証, 206 テスト) は, 包含基準を満たし, その内175 [103, 30, 42] (21.0%) がNIV あるいは インキュベーションにエスカレーションされた。 トランスファーラーニングで訓練されたLSTMモデルは一般的にLRモデルより優れており、最高のLSTMモデルはAUROCが0.78、LRが0.66、開始から2時間後である。 EMRデータを用いてトレーニングされた機械学習モデルは、開始から24時間以内にHFNCが故障するリスクのある子供を特定することができた。 トランスファーラーニング, 入力データの持続性, エンサンブルを取り入れたLSTMモデルは, LRモデルや標準LSTMモデルよりも優れた性能を示した。

関連論文リスト

• DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
  デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。 3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T18:56:31Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• Using BOLD-fMRI to Compute the Respiration Volume per Time (RTV) and Respiration Variation (RV) with Convolutional Neural Networks (CNN) in the Human Connectome Development Cohort [55.41644538483948]
  本研究では, RVとRVTの2つの呼吸対策を再現するための1次元CNNモデルを提案する。 その結果、CNNはBOLD信号の静止から情報的特徴を捉え、現実的なRVとRVTのタイムリーを再構築できることがわかった。
  論文  参考訳（メタデータ） (2023-07-03T18:06:36Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Deep Learning-Based Detection of the Acute Respiratory Distress Syndrome: What Are the Models Learning? [5.827840113217155]
  急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。 高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。 未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
  論文  参考訳（メタデータ） (2021-09-25T09:10:10Z)
• COVID-19 Prognosis via Self-Supervised Representation Learning and Multi-Image Prediction [32.91440827855392]
  胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。 新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。 本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
  論文  参考訳（メタデータ） (2021-01-13T07:03:17Z)
• Contrastive Learning Improves Critical Event Prediction in COVID-19 Patients [19.419685256069666]
  対照的損失 (CL) は非平衡 EHR データに対するクロスエントロピー損失 (CEL) の性能を改善することを示した。 この研究は、シナイ山にあるIcahn School of MedicineのInstitutional Review Boardによって承認されています。
  論文  参考訳（メタデータ） (2021-01-11T16:41:13Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• 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)

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。