論文の概要: Extraction of Sleep Information from Clinical Notes of Alzheimer's
Disease Patients Using Natural Language Processing
- arxiv url: http://arxiv.org/abs/2204.09601v1
- Date: Tue, 8 Mar 2022 21:20:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 19:18:54.302171
- Title: Extraction of Sleep Information from Clinical Notes of Alzheimer's
Disease Patients Using Natural Language Processing
- Title（参考訳）: 自然言語処理によるアルツハイマー病患者の臨床ノートからの睡眠情報抽出
- Authors: Haneef Ahamed Mohammad, Sonish Sivarajkumar, Samual Viggiano, David
Oniani, Shyam Visweswaran, Yanshan Wang
- Abstract要約: 睡眠は、高齢者の最適な認知機能に不可欠なライフスタイルに関連する要因の1つである。
伝統的に睡眠情報を取得する方法は、時間がかかり、効率が悪く、測定不能であり、患者の主観的な経験に限られる。
睡眠関連概念の抽出を自動化するためのルールベースNLPアルゴリズムと機械学習モデルを開発した。
- 参考スコア（独自算出の注目度）: 4.104706476641326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alzheimer's Disease (AD) is the most common form of dementia in the United
States. Sleep is one of the lifestyle-related factors that has been shown
critical for optimal cognitive function in old age. . However, there is a lack
of research studying the association between sleep and AD incidence. A major
bottleneck for conducting such research is that the traditional way to acquire
sleep information is time-consuming, inefficient, non-scalable, and limited to
patients' subjective experience. In this study, we developed a rule-based NLP
algorithm and machine learning models to automate the extraction of
sleep-related concepts, including snoring, napping, sleep problem, bad sleep
quality, daytime sleepiness, night wakings, and sleep duration, from the
clinical notes of patients diagnosed with AD. We trained and validated the
proposed models on the clinical notes retrieved from the University of
Pittsburgh of Medical Center (UPMC). The results show that the rule-based NLP
algorithm consistently achieved the best performance for all sleep concepts.
- Abstract（参考訳）: アルツハイマー病(英: alzheimer's disease、ad)は、アメリカ合衆国で最も多い認知症である。
睡眠は、高齢者の最適な認知機能に不可欠なライフスタイルに関連する要因の1つである。
.
しかし、睡眠と広告入射との関連性についての研究が不足している。
このような研究を行う上での大きなボトルネックは、従来の睡眠情報を取得する方法が、時間消費、非効率、非スカラーであり、患者の主観的経験に限定されていることだ。
そこで本研究では,睡眠関連概念(いびき,昼寝,睡眠問題,睡眠品質の悪さ,日中睡眠,覚醒,睡眠持続時間)の抽出を,adと診断された患者の臨床ノートから自動化するために,ルールベースのnlpアルゴリズムと機械学習モデルを開発した。
ピッツバーグ大学メディカルセンター (UPMC) から取得した臨床記録から, 提案したモデルを訓練し, 検証した。
その結果、規則に基づくNLPアルゴリズムは、すべての睡眠概念に対して常に最高の性能を達成できた。
関連論文リスト
- SleepFM: Multi-modal Representation Learning for Sleep Across Brain Activity, ECG and Respiratory Signals [17.416001617612658]
睡眠は、脳、心臓、呼吸活動を記録する様々なモードを通して評価される複雑な生理的過程である。
睡眠分析のための最初のマルチモーダル基礎モデルであるSleepFMを開発した。
コントラスト学習のための新しい一対一アプローチにより、下流タスク性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-05-28T02:43:53Z) - What Radio Waves Tell Us about Sleep [34.690382091650314]
本研究では、睡眠中の人から反射される電波からの睡眠と夜間呼吸を受動的にモニタリングする高度な機械学習アルゴリズムを開発した。
睡眠時無呼吸(AUROC=0.88)を検知し,睡眠時無呼吸を検知した。
このモデルは、睡眠段階と、神経、精神医学、循環器、免疫疾患を含む様々な疾患の間の情報的相互作用を明らかにする。
論文 参考訳（メタデータ） (2024-05-20T02:41:21Z) - Insomnia Identification via Electroencephalography [0.0]
全世界で推定5000万人が不眠症に罹患していると考えられている。
本研究では、深層学習を用いて不眠症患者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） (2024-02-09T08:59:37Z) - A machine-learning sleep-wake classification model using a reduced
number of features derived from photoplethysmography and activity signals [0.0]
Photoplethys (mography) は睡眠期推論に有効なシグナルであることが示された。
本稿では,eXtreme Gradient Boostingアルゴリズムに基づく機械学習睡眠覚醒分類モデルを提案する。
本手法の性能は現在の最先端手法と比較し,感度91.15 $pm$ 1.16%,特異度53.66 $pm$ 1.12%,F1スコア83.88 $pm$ 0.56%,Kappa48.0 $pm$ 0.86%であった。
論文 参考訳（メタデータ） (2023-08-07T13:43:19Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳（メタデータ） (2023-01-17T15:18:45Z) - Heterogeneous Hidden Markov Models for Sleep Activity Recognition from
Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。
睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。
スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文 参考訳（メタデータ） (2022-11-08T17:29:40Z) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2022-09-09T13:45:27Z) - SleepPPG-Net: a deep learning algorithm for robust sleep staging from
continuous photoplethysmography [0.0]
生PSG時系列からの4クラス睡眠ステージングのためのDLモデルであるSleep-Netを開発した。
我々は、最高の報告されたSOTAアルゴリズムに基づいて、Sleep-Netの性能をモデルと比較した。
論文 参考訳（メタデータ） (2022-02-11T16:17:42Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - Automatic detection of microsleep episodes with deep learning [55.41644538483948]
15秒未満の睡眠の短い断片は、マイクロスリープエピソード(MSEs)として定義される
覚醒検査(MWT)の維持は、警戒を評価するために臨床現場でしばしば用いられる。
MSEは、MSEを定義する確立された評価基準が欠如しているため、ほとんど考慮されていない。
入力として生の脳波とEOGデータに基づいて機械学習を用いてMSEを自動的に検出することを目的とした。
論文 参考訳（メタデータ） (2020-09-07T11:38:40Z)
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。