論文の概要: A Deep Learning Approach to Predicting Ventilator Parameters for
Mechanically Ventilated Septic Patients
- arxiv url: http://arxiv.org/abs/2202.10921v1
- Date: Mon, 21 Feb 2022 04:17:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 16:57:15.791178
- Title: A Deep Learning Approach to Predicting Ventilator Parameters for
Mechanically Ventilated Septic Patients
- Title(参考訳): 機械換気敗血症患者の人工呼吸器パラメータ予測のための深層学習法
- Authors: Zhijun Zeng, Zhen Hou, Ting Li, Lei Deng, Jianguo Hou, Xinran Huang,
Jun Li, Meirou Sun, Yunhan Wang, Qiyu Wu, Wenhao Zheng, Hua Jiang, and Qi
Wang
- Abstract要約: 緊急集中治療室(EICU)における敗血症患者に対する人工呼吸器パラメータの短期的予測に焦点を当てた。
患者固有の深層学習モデルは、どんな重篤な患者でも訓練でき、医師が緊急の医療状況で使うためのインテリジェントな補助役となる。
- 参考スコア(独自算出の注目度): 17.450533813847574
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We develop a deep learning approach to predicting a set of ventilator
parameters for a mechanically ventilated septic patient using a long and short
term memory (LSTM) recurrent neural network (RNN) model. We focus on short-term
predictions of a set of ventilator parameters for the septic patient in
emergency intensive care unit (EICU). The short-term predictability of the
model provides attending physicians with early warnings to make timely
adjustment to the treatment of the patient in the EICU. The patient specific
deep learning model can be trained on any given critically ill patient, making
it an intelligent aide for physicians to use in emergent medical situations.
- Abstract(参考訳): 本研究では,長期記憶(LSTM)リカレントニューラルネットワーク(RNN)モデルを用いて,機械的換気による敗血症患者の換気パラメータのセットを予測するための深層学習手法を開発した。
緊急集中治療室(EICU)における敗血症患者に対する人工呼吸器パラメータの短期的予測に焦点を当てた。
モデルの短期的な予測可能性により、ICUの患者の治療にタイムリーに適応するための早期の警告が医師に提供される。
患者固有の深層学習モデルは、特定の重篤な患者で訓練することができ、医師が緊急の医療状況で使用するためのインテリジェントな補助剤となる。
関連論文リスト
- A Knowledge Distillation Approach for Sepsis Outcome Prediction from
Multivariate Clinical Time Series [2.621671379723151]
我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。
我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
論文 参考訳(メタデータ) (2023-11-16T05:06:51Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳(メタデータ) (2023-06-24T17:01:51Z) - 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) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Real-time Prediction for Mechanical Ventilation in COVID-19 Patients
using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。
新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。
予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
論文 参考訳(メタデータ) (2021-02-01T20:35:22Z) - A configurable computer simulation model for reducing patient waiting
time in oncology departments [0.0]
本稿では,腫瘍学領域のニーズに適応できる新しいエージェント・ベース・シミュレーション・モデルを提案する。
南イタリアにある腫瘍学部門はシミュレーションモデルを用いて研究された。
論文 参考訳(メタデータ) (2020-10-29T20:11:41Z) - Deep learning prediction of patient response time course from early data
via neural-pharmacokinetic/pharmacodynamic modeling [0.0]
本研究は, 長期患者データから直接, 制御微分方程式を学習できることを示唆する。
本稿では、鍵薬理学原理とニューラル常微分方程式を組み合わせた新しいニューラル-PK/PDフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-22T14:43:22Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - 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) - Aortic Pressure Forecasting with Deep Sequence Learning [23.571482805855755]
平均大動脈圧(MAP)は、すべての臓器系における灌流の主要な決定因子である。
本研究の目的は,5分前の25Hzの時系列データを入力として,平均大動脈圧を5分前に予測することであった。
論文 参考訳(メタデータ) (2020-05-12T01:07:25Z) - 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。