論文の概要: Estimation of Clinical Workload and Patient Activity using Deep Learning
and Optical Flow
- arxiv url: http://arxiv.org/abs/2202.04748v1
- Date: Wed, 9 Feb 2022 22:19:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 15:14:50.507692
- Title: Estimation of Clinical Workload and Patient Activity using Deep Learning
and Optical Flow
- Title(参考訳): 深層学習とオプティカルフローを用いた臨床作業負荷と患者活動の推定
- Authors: Thanh Nguyen-Duc, Peter Y Chan, Andrew Tay, David Chen, John Tan
Nguyen, Jessica Lyall and Maria De Freitas
- Abstract要約: そこで本研究では,患者の動きを推定し,同様の技術を用いて臨床ワークロードを観察する手法を提案する。
患者動作推定は患者の動揺と鎮静を近似するために用いられ,作業者の動作は介護者の作業負荷のサロゲートとして用いられた。
- 参考スコア(独自算出の注目度): 0.9774845227603628
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Contactless monitoring using thermal imaging has become increasingly proposed
to monitor patient deterioration in hospital, most recently to detect fevers
and infections during the COVID-19 pandemic. In this letter, we propose a novel
method to estimate patient motion and observe clinical workload using a similar
technical setup but combined with open source object detection algorithms
(YOLOv4) and optical flow. Patient motion estimation was used to approximate
patient agitation and sedation, while worker motion was used as a surrogate for
caregiver workload. Performance was illustrated by comparing over 32000 frames
from videos of patients recorded in an Intensive Care Unit, to clinical
agitation scores recorded by clinical workers.
- Abstract(参考訳): 熱画像を用いた非接触モニタリングは、新型コロナウイルス(COVID-19)パンデミック中の発熱や感染を検出するため、病院で患者の劣化を監視するためにますます提案されている。
本報告では, 患者の動きを推定し, 同様の技術的セットアップを用いて臨床作業負荷を観察する新しい手法を提案し, オープンソースの物体検出アルゴリズム(yolov4)と光学フローを組み合わせた。
患者の運動推定は患者の興奮と鎮静を近似し, 作業者の動作は介護者の作業負荷のサーロゲートとして用いた。
集中治療室で録画された患者の映像から32000フレーム以上を臨床労働者が記録した臨床動揺スコアと比較した。
関連論文リスト
- CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳(メタデータ) (2024-03-21T15:13:36Z) - Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
ICUの既存の患者評価は散発的であり、手動で管理されている。
我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。
634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
論文 参考訳(メタデータ) (2023-11-01T15:07:03Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T19:34:12Z) - More Than Meets the Eye: Analyzing Anesthesiologists' Visual Attention
in the Operating Room Using Deep Learning Models [0.0]
現在、ほとんどの研究は、麻酔科医の視覚パターンを分析するためにウェアラブルアイトラッキング技術を採用している。
モニタ搭載ウェブカメラを処理する深層学習モデルを用いた新しい視線追跡手法を用いて,連続した行動データを収集した。
我々は,不確実な期間のVA分布と,活動期に関連するパターン,あるいは致命的,予期せぬ出来事におけるVA分布を区別した。
論文 参考訳(メタデータ) (2023-08-10T11:12:04Z) - Classifying the evolution of COVID-19 severity on patients with combined
dynamic Bayesian networks and neural networks [1.9766522384767222]
患者の病気の重症度を事前に知ることは、治療とリソースの整理を改善することができる。
この問題は、第6次流行波からスペインで流行したCOVID-19患者のデータセットで説明します。
我々は、動的ベイズネットワークを用いて、今後40時間にわたる患者のバイタルサインと血液分析結果を予測するとともに、その期間における患者疾患の重症度を評価するニューラルネットワークを組み合わせた。
論文 参考訳(メタデータ) (2023-03-10T15:05:32Z) - DeepJoint: Robust Survival Modelling Under Clinical Presence Shift [2.9745607433320926]
本稿では,生存率と平行な3つの臨床的存在次元をモデル化したリカレントニューラルネットワークを提案する。
予測タスクでは、これらの3つのプロセスの明示的なモデリングにより、最先端の予測モデルと比較して性能が向上した。
論文 参考訳(メタデータ) (2022-05-26T16:42:38Z) - 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) - Optimal discharge of patients from intensive care via a data-driven
policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。
本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。
データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文 参考訳(メタデータ) (2021-12-17T04:39:33Z) - 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) - Joint Distribution and Transitions of Pain and Activity in Critically
Ill Patients [3.64161514437772]
集中治療室(ICU)における重症心疾患患者の回復の必須指標は痛みと身体機能である
Actigraph GT3X 装置を用いて, 57 ICU 患者の活動強度データを収集した。
重症心疾患患者における関節活動と痛み状態の関節分布と状態遷移について検討した。
論文 参考訳(メタデータ) (2020-04-20T08:56:13Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z)
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。