論文の概要: Validating an SVM-based neonatal seizure detection algorithm for generalizability, non-inferiority and clinical efficacy

• arxiv url: http://arxiv.org/abs/2202.12023v1
• Date: Thu, 24 Feb 2022 11:07:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-26 00:13:11.499545
• Title: Validating an SVM-based neonatal seizure detection algorithm for generalizability, non-inferiority and clinical efficacy
• Title（参考訳）: SVMを用いた新生児発作検出アルゴリズムの一般化性、非不妊症、臨床効果の検証
• Authors: Karoliina T. Tapani, P\"aivi Nevalainen, Sampsa Vanhatalo, Nathan J. Stevenson
• Abstract要約: 新生児発作検出アルゴリズム(SDA)は、ヒトのエキスパートアノテーションのベンチマークに近づいている。 新生児SDA成績の全範囲を評価するためには,アルゴリズムの一般化可能性,非偽性,および臨床効果の測定が必要である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neonatal seizure detection algorithms (SDA) are approaching the benchmark of human expert annotation. Measures of algorithm generalizability and non-inferiority as well as measures of clinical efficacy are needed to assess the full scope of neonatal SDA performance. We validated our neonatal SDA on an independent data set of 28 neonates. Generalizability was tested by comparing the performance of the original training set (cross-validation) to its performance on the validation set. Non-inferiority was tested by assessing inter-observer agreement between combinations of SDA and two human expert annotations. Clinical efficacy was tested by comparing how the SDA and human experts quantified seizure burden and identified clinically significant periods of seizure activity in the EEG. Algorithm performance was consistent between training and validation sets with no significant worsening in AUC (p>0.05, n =28). SDA output was inferior to the annotation of the human expert, however, re-training with an increased diversity of data resulted in non-inferior performance ($\Delta\kappa$=0.077, 95% CI: -0.002-0.232, n=18). The SDA assessment of seizure burden had an accuracy ranging from 89-93%, and 87% for identifying periods of clinical interest. The proposed SDA is approaching human equivalence and provides a clinically relevant interpretation of the EEG.
• Abstract（参考訳）: 新生児発作検出アルゴリズム(SDA)は、ヒトのエキスパートアノテーションのベンチマークに近づいている。 新生児SDA成績の全範囲を評価するためには,アルゴリズムの一般化可能性,非偽性,および臨床効果の測定が必要である。 新生児SDAを28人の新生児の独立したデータセットで検証した。 一般化性は、元のトレーニングセット(クロスバリデーション)のパフォーマンスと検証セットのパフォーマンスを比較して検証した。 非干渉性はsdaと2つの人間専門家のアノテーションの組み合わせによるオブザーバ間の合意を評価することによって検証された。 臨床効果は、SDAとヒトの専門家が発作の重荷を定量化し、脳波における発作活動の有意な期間を同定する方法を比較して検証した。 アルゴリズムの性能は, auc (p>0.05, n =28) では有意な悪化はみられなかった。 SDAの出力は人的専門家のアノテーションより劣ったが、データの多様性が増すにつれて再トレーニングの結果、非推論性能(\Delta\kappa$=0.077, 95% CI: -0.002-0.232, n=18)が得られた。 sdaによる発作負荷の評価は89-93%から87%の精度で臨床関心期間の特定が可能であった。 提案したSDAはヒト同値性に近づき,脳波の臨床的な解釈を提供する。

関連論文リスト

• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• EndoOOD: Uncertainty-aware Out-of-distribution Detection in Capsule Endoscopy Diagnosis [11.82953216903558]
  ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は、消化管(GI)の可視化を可能にする非侵襲的診断法である。 深層学習に基づく手法は、WCEデータを用いた疾患スクリーニングの有効性を示した。 既存のカプセル内視鏡分類法は、主に事前に定義されたカテゴリーに依存している。
  論文  参考訳（メタデータ） (2024-02-18T06:54:51Z)
• Evaluating Echo State Network for Parkinson's Disease Prediction using Voice Features [1.2289361708127877]
  本研究の目的は,偽陰性の最小化と高精度化を両立できる診断モデルを開発することである。 Echo State Networks (ESN)、Random Forest、k-nearest Neighbors、Support Vector、Extreme Gradient Boosting、Decision Treeなど、さまざまな機械学習手法が採用され、徹底的に評価されている。 ESNは83%の症例で8%未満の偽陰性率を維持している。
  論文  参考訳（メタデータ） (2024-01-28T14:39:43Z)
• Bridging AI and Clinical Practice: Integrating Automated Sleep Scoring Algorithm with Uncertainty-Guided Physician Review [0.0]
  本研究は,不確実性推定手法を取り入れた自動睡眠検査アルゴリズムの臨床的有用性を高めることを目的とする。 13のオープンアクセスデータベースからの合計19578のPSGを使用して、最先端の睡眠スコアアルゴリズムであるU-Sleepをトレーニングした。
  論文  参考訳（メタデータ） (2023-12-22T15:58:09Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Deep Learning for EEG Seizure Detection in Preterm Infants [1.3002050979054345]
  本稿では,乳幼児の新生児発作検出のための新しい深層学習(DL)アーキテクチャについて検討する。 本研究は, 早期乳児を対象とした脳波発作検出アルゴリズムの精度が, 完全長期乳児に対して達成される性能にかなり劣っていることを示すものである。
  論文  参考訳（メタデータ） (2021-05-28T14:03:56Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

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。