論文の概要: A machine learning-based severity prediction tool for diabetic
sensorimotor polyneuropathy using Michigan neuropathy screening
instrumentations
- arxiv url: http://arxiv.org/abs/2203.15151v1
- Date: Mon, 28 Mar 2022 23:56:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 09:26:23.201783
- Title: A machine learning-based severity prediction tool for diabetic
sensorimotor polyneuropathy using Michigan neuropathy screening
instrumentations
- Title（参考訳）: ミシガン神経障害スクリーニング装置を用いた糖尿病性感覚神経症に対する機械学習による重症度予測ツール
- Authors: Fahmida Haque, Mamun B. I. Reaz, Muhammad E. H. Chowdhury, Rayaz
Malik, Mohammed Alhatou, Syoji Kobashi, Iffat Ara, Sawal H. M. Ali, Ahmad A.
A Bakar, Geetika Srivastava
- Abstract要約: 糖尿病性感作性ポリニューロパチー(DSPN)は、糖尿病患者において、痛み性ニューロパチー、足の潰瘍、切断を伴う主要な長期合併症である。
ミシガン神経障害スクリーニング装置(MNSI)は、DSPNの最も一般的なスクリーニング手法の1つであるが、直接重度評価システムを提供していない。
MNSIのDSPN重症度評価システムを設計・モデル化するために、糖尿病インターベンションと合併症の疫学から19年間のデータを用いた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Diabetic Sensorimotor polyneuropathy (DSPN) is a major long-term
complication in diabetic patients associated with painful neuropathy, foot
ulceration and amputation. The Michigan neuropathy screening instrument (MNSI)
is one of the most common screening techniques for DSPN, however, it does not
provide any direct severity grading system. Method: For designing and modelling
the DSPN severity grading systems for MNSI, 19 years of data from Epidemiology
of Diabetes Interventions and Complications (EDIC) clinical trials were used.
MNSI variables and patient outcomes were investigated using machine learning
tools to identify the features having higher association in DSPN
identification. A multivariable logistic regression-based nomogram was
generated and validated for DSPN severity grading. Results: The top-7 ranked
features from MNSI: 10-gm filament, Vibration perception (R), Vibration
perception (L), previous diabetic neuropathy, the appearance of deformities,
appearance of callus and appearance of fissure were identified as key features
for identifying DSPN using the extra tree model. The area under the curve (AUC)
of the nomogram for the internal and external datasets were 0.9421 and 0.946,
respectively. From the developed nomogram, the probability of having DSPN was
predicted and a DSPN severity scoring system for MNSI was developed from the
probability score. The model performance was validated on an independent
dataset. Patients were stratified into four severity levels: absent, mild,
moderate, and severe using a cut-off value of 10.5, 12.7 and 15 for a DSPN
probability less than 50%, 75% to 90%, and above 90%, respectively.
Conclusions: This study provides a simple, easy-to-use and reliable algorithm
for defining the prognosis and management of patients with DSPN.
- Abstract（参考訳）: 背景: 糖尿病性感作性ポリニューロパチー(DSPN)は, 痛み性ニューロパチー, 足の潰瘍, 切断を伴う糖尿病患者の長期合併症である。
ミシガン神経障害スクリーニング装置(MNSI)は、DSPNの最も一般的なスクリーニング手法の1つであるが、直接重度評価システムを提供していない。
方法: MNSIのDSPN重症度評価システムを設計・モデル化するために, 糖尿病インターベンション・合併症(EDIC)臨床治験19年間のデータを用いた。
DSPNの同定に高い関連性を有する特徴を特定するため,機械学習ツールを用いてMNSI変数と患者結果を検討した。
多変量ロジスティック回帰に基づくノモグラムが生成され、dspnの重症度評価のために検証された。
結果:10gmのフィラメント, 振動知覚(R), 振動知覚(L), 以前の糖尿病性ニューロパチー, 変形の出現, カルスの出現, 亀裂の出現といったMNSIの上位7つの特徴を, 追加木モデルを用いてDSPNを同定するための重要な特徴として同定した。
内部および外部データセットのノモグラムの曲線(AUC)の下の領域はそれぞれ0.9421と0.946であった。
開発したノモグラムから DSPN の確率を予測し, MNSI の DSPN 重症度スコアシステムを開発した。
モデルの性能は独立したデータセットで検証された。
患者は、DSPNの確率が50%未満、75%から90%未満、90%以上、それぞれカットオフ値10.5, 12.7, 15を用いて、欠失、中等度、重症の4つの重症度に分類した。
結論:本研究はDSPN患者の予後と管理を定義するための,簡便で使いやすい,信頼性の高いアルゴリズムを提供する。
関連論文リスト
- DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - Predicting multiple sclerosis disease severity with multimodal deep
neural networks [10.599189568556508]
患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。
提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
論文 参考訳（メタデータ） (2023-04-08T16:23:18Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳（メタデータ） (2023-02-02T08:45:17Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - Predicting Brain Degeneration with a Multimodal Siamese Neural Network [3.114884650164508]
神経変性疾患の進展を予測するために,マルチモーダル学習のためのニューラルネットワークアーキテクチャを提案する。
本ネットワークは, 被験者57名に対して92.5%の精度, AUCスコア0.978の精度を実現した。
論文 参考訳（メタデータ） (2020-11-02T09:21:47Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - 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) - Automated machine vision enabled detection of movement disorders from
hand drawn spirals [0.0]
本研究は、スキャンされたペンと紙の描画と畳み込みニューラルネットワーク(CNN)を用いて、パーキンソン病(PD)と本態性震動(ET)の分類を行う。
PDのコントロールによる識別精度は98.2%であった。
ETおよびコントロールからのPDの判別精度は92%であった。
論文 参考訳（メタデータ） (2020-06-22T10:21:51Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。