論文の概要: Machine Learning to Support Triage of Children at Risk for Epileptic
Seizures in the Pediatric Intensive Care Unit
- arxiv url: http://arxiv.org/abs/2205.05389v1
- Date: Wed, 11 May 2022 10:24:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 21:20:27.277337
- Title: Machine Learning to Support Triage of Children at Risk for Epileptic
Seizures in the Pediatric Intensive Care Unit
- Title（参考訳）: 小児集中治療室におけるてんかん発作危険児のトリアージ支援のための機械学習
- Authors: Raphael Azriel, Cecil D. Hahn, Thomas De Cooman, Sabine Van Huffel,
Eric T. Payne, Kristin L. McBain, Danny Eytan and Joachim A. Behar
- Abstract要約: 小児集中治療室(PICU)に入院した小児はてんかん発作が比較的多い
PICU内の発作の危険と判断された小児は、連続脳波(cEEG)を用いてモニタリングされる
本研究の目的は、重篤児の発作リスク評価を改善するためのコンピュータ支援ツールを開発することである。
- 参考スコア（独自算出の注目度）: 5.708335717084799
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objective: Epileptic seizures are relatively common in critically-ill
children admitted to the pediatric intensive care unit (PICU) and thus serve as
an important target for identification and treatment. Most of these seizures
have no discernible clinical manifestation but still have a significant impact
on morbidity and mortality. Children that are deemed at risk for seizures
within the PICU are monitored using continuous-electroencephalogram (cEEG).
cEEG monitoring cost is considerable and as the number of available machines is
always limited, clinicians need to resort to triaging patients according to
perceived risk in order to allocate resources. This research aims to develop a
computer aided tool to improve seizures risk assessment in critically-ill
children, using an ubiquitously recorded signal in the PICU, namely the
electrocardiogram (ECG). Approach: A novel data-driven model was developed at a
patient-level approach, based on features extracted from the first hour of ECG
recording and the clinical data of the patient. Main results: The most
predictive features were the age of the patient, the brain injury as coma
etiology and the QRS area. For patients without any prior clinical data, using
one hour of ECG recording, the classification performance of the random forest
classifier reached an area under the receiver operating characteristic curve
(AUROC) score of 0.84. When combining ECG features with the patients clinical
history, the AUROC reached 0.87. Significance: Taking a real clinical scenario,
we estimated that our clinical decision support triage tool can improve the
positive predictive value by more than 59% over the clinical standard.
- Abstract（参考訳）: 目的: 小児集中治療室(PICU)に入院した重度の小児ではてんかん発作が比較的多く, 診断・治療の標的となっている。
これらの発作のほとんどは、明らかな臨床症状を持たないが、死と死亡に大きな影響を与える。
PICU内の発作の危険にさらされていると考えられる子供たちは、連続脳波(cEEG)を用いて監視される。
cEEGモニタリングコストは非常に高く、利用可能なマシンの数が常に限られているため、臨床医はリソースを割り当てるために、認識されたリスクに応じて患者をトリアージすることに頼る必要がある。
本研究の目的は、心電図(ECG)と呼ばれるPICUのユビキタスに記録された信号を用いて、重度小児の発作リスク評価を改善するコンピュータ支援ツールを開発することである。
アプローチ:心電図記録から抽出した特徴と患者の臨床データをもとに,患者レベルの新しいデータ駆動モデルを開発した。
主な結果: 予測された特徴は年齢, 脳損傷, 発病原因, qrs領域であった。
先行臨床データを持たない患者に対しては,ECG記録1時間を用いて,ランダム森林分類器の分類性能は,受信操作特性曲線(AUROC)スコア0.84の範囲に到達した。
ECGの特徴と臨床歴を組み合わせると、AUROCは0.87に達した。
意義: 実際の臨床シナリオから, 臨床診断支援トリアージツールは, 臨床標準よりも59%以上, 肯定的な予測値を向上させることができると推定した。
関連論文リスト
- Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning [5.070772577047069]
不安定狭心症(UA)を含む心血管疾患の診断のための金の基準として、浸潤性冠動脈造影(ICA)が認められている
心筋梗塞とは異なり、UAはST偏位や心筋酵素のような特定の指標を持っておらず、リスクアセスメントが複雑になる。
本研究の目的は,UA患者に対する早期リスクアセスメントを機械学習アルゴリズムを用いて向上することである。
論文 参考訳（メタデータ） (2024-08-08T07:24:28Z) - Machine Learning Techniques for Predicting the Short-Term Outcome of
Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
7つのディフフェレント分類アルゴリズムを用いてデータを解析した。
線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
論文 参考訳（メタデータ） (2023-02-10T13:04:47Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文 参考訳（メタデータ） (2021-09-14T14:16:32Z) - Predicting Clinical Deterioration in Hospitals [0.8329456268842225]
電子カルテに機械学習を適用し,患者が臨床劣化のリスクがあるかどうかを推定する。
成功すれば、病院は我々のアプローチを既存のITシステムに統合し、モデルによって生成されたアラートを使用して、ICU転送、心停止、または死を防ぐことができる。
論文 参考訳（メタデータ） (2021-02-11T06:03:36Z) - 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) - AIforCOVID: predicting the clinical outcomes in patients with COVID-19
applying AI to chest-X-rays. An Italian multicentre study [7.456548336226919]
胸部X線(CXR)が集中治療や死亡などの重篤な結果の危険にさらされる患者の早期発見のための可能なツールとして使用できるかどうかを検討する。
CXRは、CT(Computed tomography)と比較して、より単純で、より速く、より広く、放射線線量を減らす放射線技術である。
2020年春にイタリアの6つの病院から820人の患者から収集されたデータを含むデータセットを提案する。
論文 参考訳（メタデータ） (2020-12-11T18:03:08Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - 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) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - 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)
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。