論文の概要: Accelerometry-based classification of circulatory states during
out-of-hospital cardiac arrest
- arxiv url: http://arxiv.org/abs/2205.06540v1
- Date: Fri, 13 May 2022 10:03:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-16 14:16:52.424790
- Title: Accelerometry-based classification of circulatory states during
out-of-hospital cardiac arrest
- Title（参考訳）: 加速度計による心停止時の循環状態の分類
- Authors: Wolfgang J. Kern, Simon Orlob, Andreas Bohn, Wolfgang Toller, Jan
Wnent, Jan-Thorsten Gr\"asner, Martin Holler
- Abstract要約: 心停止治療中の循環状態を自動予測する機械学習アルゴリズムを開発した。
このアルゴリズムは、ドイツのResuscitation Registryの917のケースに基づいて訓練された。
- 参考スコア（独自算出の注目度）: 1.2109519547057512
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: During cardiac arrest treatment, a reliable detection of
spontaneous circulation, usually performed by manual pulse checks, is both
vital for patient survival and practically challenging. Methods: We developed a
machine learning algorithm to automatically predict the circulatory state
during cardiac arrest treatment from 4-second-long snippets of accelerometry
and electrocardiogram data from real-world defibrillator records. The algorithm
was trained based on 917 cases from the German Resuscitation Registry, for
which ground truth labels were created by a manual annotation of physicians. It
uses a kernelized Support Vector Machine classifier based on 14 features, which
partially reflect the correlation between accelerometry and electrocardiogram
data. Results: On a test data set, the proposed algorithm exhibits an accuracy
of 94.4 (93.6, 95.2)%, a sensitivity of 95.0 (93.9, 96.1)%, and a specificity
of 93.9 (92.7, 95.1)%. Conclusion and significance: In application, the
algorithm may be used to simplify retrospective annotation for quality
management and, moreover, to support clinicians to assess circulatory state
during cardiac arrest treatment.
- Abstract（参考訳）: 目的: 心停止治療中は, 通常手動による脈拍検査による自然循環の確実な検出が患者の生存に不可欠であり, 実際は困難である。
方法: 実世界の除細動器の4秒間スニペットと心電図データから, 心停止治療中の循環状態を自動予測する機械学習アルゴリズムを開発した。
このアルゴリズムは、ドイツの蘇生登録簿の917件の事例に基づいて訓練され、医師の手作業による注釈によって真理ラベルが作成された。
これは、加速度計と心電図データの相関を部分的に反映した14の特徴に基づくカーネル化されたサポートベクトルマシン分類器を使用する。
結果: テストデータセットでは, 提案アルゴリズムの精度は94.4 (93.6, 95.2)%, 感度は95.0 (93.9, 96.1)%, 特異性は93.9 (92.7, 95.1)%であった。
結論と意義: 応用において, このアルゴリズムは, 質管理のためのふりかえりアノテーションの簡略化や, 心停止治療中の循環状態を臨床医が評価できるように支援するために用いられる。
関連論文リスト
- Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。
心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。
本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文 参考訳（メタデータ） (2024-10-08T10:03:52Z) - Digital twinning of cardiac electrophysiology models from the surface
ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。
その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。
パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文 参考訳（メタデータ） (2023-08-16T14:57:12Z) - Machine Learning-based Signal Quality Assessment for Cardiac Volume
Monitoring in Electrical Impedance Tomography [0.8541111605978491]
臨床応用では、心臓の容積シグナルは、主に臨床介入中の患者の意図的な動きや避けられない動きのために、品質が低いことが多い。
本研究の目的は、運動人工物が一過性の心臓容積信号に与える影響を評価するための信号品質指標を作成することである。
提案手法は,臨床医が患者の症状に関する混乱を最小限に抑えるために,即時警告を提供するのに有効である。
論文 参考訳（メタデータ） (2023-01-04T07:13:21Z) - On the Automated Segmentation of Epicardial and Mediastinal Cardiac
Adipose Tissues Using Classification Algorithms [0.9176056742068814]
本研究は,心臓脂肪パッドの自動セグメンテーションのための新しい技術を提案する。
本手法は,心臓CT画像のセグメンテーションに分類アルゴリズムを適用することに基づく。
心内膜脂肪および縦隔脂肪の分類における平均精度は98.4%であった。
論文 参考訳（メタデータ） (2022-08-30T15:57:02Z) - Automatic Quantification of Volumes and Biventricular Function in
Cardiac Resonance. Validation of a New Artificial Intelligence Approach [0.0]
本研究の目的は、心室機能(容積、質量、EF)を定量化するために、新しい人工知能ツールを検証することである。
本手法では,心臓の解剖学的情報を含む2つの畳み込みネットワークを提案し,分類誤差を低減する。
論文 参考訳（メタデータ） (2022-06-03T14:17:12Z) - An Algorithm for the Labeling and Interactive Visualization of the
Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。
閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。
本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文 参考訳（メタデータ） (2022-04-26T14:20:26Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
本研究では,新しいセグメンテーションフリー心音分類法を提案する。
具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。
サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
論文 参考訳（メタデータ） (2021-08-09T16:09:30Z) - Predicting post-operative right ventricular failure using video-based
deep learning [9.884447146588542]
術前心エコー検査から得られた全情報密度を用いて,術前右室障害(RV障害)を予測できる映像AIシステムの開発を行った。
0.729の時空、80%の感度で52%の特異度、80%の特異度で感度を達成する。
さらに,我々のMLシステムは,独立臨床評価におけるRV障害の予測に携わる人間専門家のチームよりも有意に優れていた。
論文 参考訳（メタデータ） (2021-02-28T00:58:53Z) - 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) - 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)
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。