論文の概要: Weakly Supervised Classification of Vital Sign Alerts as Real or
Artifact
- arxiv url: http://arxiv.org/abs/2206.09074v1
- Date: Sat, 18 Jun 2022 00:52:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 16:42:27.307174
- Title: Weakly Supervised Classification of Vital Sign Alerts as Real or
Artifact
- Title(参考訳): 実物または人工物としてのバイタルサインアラートの弱い教師付き分類
- Authors: Arnab Dey, Mononito Goswami, Joo Heung Yoon, Gilles Clermont, Michael
Pinsky, Marilyn Hravnak and Artur Dubrawski
- Abstract要約: 臨床生理学的モニタリングアラームのかなりの割合は偽である。
これまでの研究では、大量の手書きデータを必要とする教師付き機械学習技術を利用してきた。
弱教師付きモデルが従来の教師付き手法と競合することを示す。
- 参考スコア(独自算出の注目度): 13.849053496035852
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: A significant proportion of clinical physiologic monitoring alarms are false.
This often leads to alarm fatigue in clinical personnel, inevitably
compromising patient safety. To combat this issue, researchers have attempted
to build Machine Learning (ML) models capable of accurately adjudicating Vital
Sign (VS) alerts raised at the bedside of hemodynamically monitored patients as
real or artifact. Previous studies have utilized supervised ML techniques that
require substantial amounts of hand-labeled data. However, manually harvesting
such data can be costly, time-consuming, and mundane, and is a key factor
limiting the widespread adoption of ML in healthcare (HC). Instead, we explore
the use of multiple, individually imperfect heuristics to automatically assign
probabilistic labels to unlabeled training data using weak supervision. Our
weakly supervised models perform competitively with traditional supervised
techniques and require less involvement from domain experts, demonstrating
their use as efficient and practical alternatives to supervised learning in HC
applications of ML.
- Abstract(参考訳): 臨床生理モニタリングアラームのかなりの割合は偽である。
これはしばしば臨床スタッフの目覚まし疲労を引き起こし、必然的に患者の安全を損なう。
この問題に対処するため、研究者は、血液学的に監視された患者のベッドサイドで発生したバイタルサイン(VS)警告をリアルまたはアーティファクトとして正確に適応できる機械学習(ML)モデルを構築しようとした。
これまでの研究では、大量の手書きデータを必要とする教師付きML技術を利用してきた。
しかし、このようなデータを手動で収穫することはコストがかかり、時間もかかるため、医療(hc)におけるmlの普及を制限する鍵となる。
代わりに、弱い監督力を用いたラベル付きトレーニングデータに確率ラベルを自動的に割り当てるために、複数の不完全なヒューリスティックの使用を検討する。
我々の弱教師付きモデルは、従来の教師付き手法と競合し、ドメインエキスパートの関与を少なくし、MLのHCアプリケーションにおける教師付き学習の効率的で実践的な代替手段としての使用を実証する。
関連論文リスト
- Federated Anomaly Detection for Early-Stage Diagnosis of Autism Spectrum Disorders using Serious Game Data [0.0]
本研究では,AutoEncoder-based Machine Learning (ML) 手法を用いて,ASD検出のための新しい半教師付きアプローチを提案する。
この目的に特化して設計された真剣なゲームを通じて手作業で収集したデータを利用する。
ゲーミフィケーションされたアプリケーションによって収集されたセンシティブなデータは、プライバシー漏洩の影響を受けやすいため、フェデレートラーニングフレームワークを開発した。
論文 参考訳(メタデータ) (2024-10-25T23:00:12Z) - An Efficient Contrastive Unimodal Pretraining Method for EHR Time Series Data [35.943089444017666]
本稿では,長期臨床経過データに適した比較事前学習法を提案する。
本モデルでは, 臨床医が患者の症状についてより深い知見を得られるように, 欠損測定をインプットする能力を示す。
論文 参考訳(メタデータ) (2024-10-11T19:05:25Z) - Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification [1.1874560263468232]
急性骨髄性白血病(AML)のような疾患は、単細胞レベルでのアノテーションが不足し、コストがかかるため困難である。
マルチインスタンス学習(MIL)は、弱いラベル付きシナリオに対処するが、ラベル付きデータで訓練された強力なエンコーダを必要とする。
本研究では,MILをベースとしたサブタイプAML分類のための事前学習手法として,自己監督学習(SSL)について検討する。
論文 参考訳(メタデータ) (2024-03-08T15:16:15Z) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳(メタデータ) (2023-05-30T22:05:11Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳(メタデータ) (2022-07-21T09:35:38Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳(メタデータ) (2022-03-14T17:44:53Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳(メタデータ) (2021-04-29T00:11:32Z) - Self-supervised transfer learning of physiological representations from
free-living wearable data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
論文 参考訳(メタデータ) (2020-11-18T23:21:34Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。