論文の概要: COVID-19 Disease Progression Prediction via Audio Signals: A
Longitudinal Study
- arxiv url: http://arxiv.org/abs/2201.01232v1
- Date: Tue, 4 Jan 2022 16:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 14:38:17.689627
- Title: COVID-19 Disease Progression Prediction via Audio Signals: A
Longitudinal Study
- Title（参考訳）: 音声信号による新型コロナウイルスの進行予測 : 縦断的研究
- Authors: Ting Dang, Jing Han, Tong Xia, Dimitris Spathis, Erika Bondareva,
Chlo\"e Brown, Jagmohan Chauhan, Andreas Grammenos, Apinan Hasthanasombat,
Andres Floto, Pietro Cicuta, Cecilia Mascolo
- Abstract要約: 本研究では, 逐次深層学習技術を用いた新型コロナウイルスモニタリングにおける経時的オーディオダイナミックスの可能性について検討した。
われわれは5日間から385日間に212人の呼吸器オーディオデータをクラウドソースで分析し、自己報告の新型コロナウイルス検査結果も分析した。
以上の結果から、縦断的オーディオデータによる新型コロナウイルスの進行状況のモニタリングは、個人の病気の進行と回復の追跡に大きな可能性を持っていることが示唆された。
- 参考スコア（独自算出の注目度）: 17.59710651224251
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work has shown the potential of the use of audio data in screening for
COVID-19. However, very little exploration has been done of monitoring disease
progression, especially recovery in COVID-19 through audio. Tracking disease
progression characteristics and patterns of recovery could lead to tremendous
insights and more timely treatment or treatment adjustment, as well as better
resources management in health care systems.
The primary objective of this study is to explore the potential of
longitudinal audio dynamics for COVID-19 monitoring using sequential deep
learning techniques, focusing on prediction of disease progression and,
especially, recovery trend prediction. We analysed crowdsourced respiratory
audio data from 212 individuals over 5 days to 385 days, alongside their
self-reported COVID-19 test results. We first explore the benefits of capturing
longitudinal dynamics of audio biomarkers for COVID-19 detection. The strong
performance, yielding an AUC-ROC of 0.79, sensitivity of 0.75 and specificity
of 0.70, supports the effectiveness of the approach compared to methods that do
not leverage longitudinal dynamics. We further examine the predicted disease
progression trajectory, which displays high consistency with the longitudinal
test results with a correlation of 0.76 in the test cohort, and 0.86 in a
subset of the test cohort with 12 participants who report disease recovery.
Our findings suggest that monitoring COVID-19 progression via longitudinal
audio data has enormous potential in the tracking of individuals' disease
progression and recovery.
- Abstract（参考訳）: 最近の研究は、新型コロナウイルスのスクリーニングに音声データを使用することの可能性を示している。
しかし、病気の進行、特にオーディオによるcovid-19の回復をモニターする調査はほとんど行われていない。
疾患の進行特性や回復パターンの追跡は、素晴らしい洞察と、よりタイムリーな治療や治療調整、および医療システムにおけるより良い資源管理につながる可能性がある。
本研究の目的は, 進行予測, 特に回復傾向予測に焦点をあて, 逐次的深層学習技術を用いた新型コロナウイルスモニタリングにおける縦波オーディオダイナミックスの可能性を検討することである。
5日間から385日間にわたる212人を対象に, クラウドソーシングによる呼吸音声データの解析を行った。
まず、covid-19検出のためのオーディオバイオマーカーの経時的ダイナミクスを捉えることの利点について検討する。
強い性能は、AUC-ROCが0.79、感度が0.75、特異性が0.70であり、縦方向力学を使わない方法と比較して、アプローチの有効性を支持する。
さらに, 縦断試験結果と高い一貫性を示す予測疾患進行軌跡を, 検査コホートで0.76, テストコホートのサブセットで0.86と, 疾患回復を報告した12名との相関で検討した。
縦断的な音声データによる新型コロナウイルスの進行のモニタリングは、個人の疾患の進行と回復を追跡する上で大きな可能性を秘めていることが示唆された。
関連論文リスト
- Predicting Long-term Renal Impairment in Post-COVID-19 Patients with
Machine Learning Algorithms [0.0]
新型コロナウイルスのパンデミックは世界の公衆衛生に深刻な影響を及ぼしている。
腎障害は、その長期的健康への影響により、特に注目を集めている。
本研究は,高度な機械学習アルゴリズムを用いて長期腎障害のリスクを予測する試みである。
論文 参考訳（メタデータ） (2023-09-28T14:44:06Z) - Developing a multi-variate prediction model for the detection of
COVID-19 from Crowd-sourced Respiratory Voice Data [0.0]
この研究の新規性は、音声記録から新型コロナウイルス患者を識別するためのディープラーニングモデルの開発である。
私たちは、新型コロナウイルスのサウンドアプリを使った4352人の参加者からクラウドソースされた、853のオーディオサンプルからなるケンブリッジ大学のデータセットを使用しました。
音声データに基づいて,陽性症例を検出する深層学習分類モデルを開発した。
論文 参考訳（メタデータ） (2022-09-08T11:46:37Z) - A pragmatic approach to estimating average treatment effects from EHR
data: the effect of prone positioning on mechanically ventilated COVID-19
patients [29.983525001333625]
観察データから治療効果を推定する方法については合意されていない。
本稿では,観察研究から治療効果の予備的評価を得るための実用的手法を紹介する。
論文 参考訳（メタデータ） (2021-09-14T14:14:37Z) - Sounds of COVID-19: exploring realistic performance of audio-based
digital testing [17.59710651224251]
本稿では、COVID-19の音声によるデジタル検査の現実的な性能について検討する。
われわれは、大規模なクラウドソースによる呼吸器オーディオデータセットをモバイルアプリを通じて収集した。
非バイアスモデルでは、呼吸、うずみ、音声信号から抽出した特徴を予測器として取り出し、AUC-ROCは0.71(95% CI: 0.65$-$0.77)となる。
論文 参考訳（メタデータ） (2021-06-29T15:50:36Z) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳（メタデータ） (2021-03-18T03:31:33Z) - Studying the Similarity of COVID-19 Sounds based on Correlation Analysis
of MFCC [1.9659095632676098]
本稿では,Mel-Frequency Cepstral Coefficients (MFCCs) の抽出における音声信号処理の重要性について述べる。
以上の結果から、MFCCは新型コロナウイルスと非新型コロナウイルスの検体の間ではより堅牢であるのに対し、異なる新型コロナウイルスの発声音と呼吸音との間には高い類似性があることが判明した。
論文 参考訳（メタデータ） (2020-10-17T11:38:05Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-25T01:50:15Z) - 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) - 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) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。