論文の概要: Outlier detection of vital sign trajectories from COVID-19 patients

• arxiv url: http://arxiv.org/abs/2207.07572v2
• Date: Thu, 20 Apr 2023 12:41:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 17:28:07.129780
• Title: Outlier detection of vital sign trajectories from COVID-19 patients
• Title（参考訳）: COVID-19患者からのバイタルサイン軌跡の異常検出
• Authors: Sara Summerton, Ann Tivey, Rohan Shotton, Gavin Brown, Oliver C. Redfern, Rachel Oakley, John Radford, and David C. Wong
• Abstract要約: 時系列トラジェクトリを比較するために,動的時間ワープ距離に基づく測度を導入する。 本手法は, 類似の軌跡を持つ異常エポックやクラスターエポックを同定できることを示す。 当科では, 外来で入院した患者について, 異常なバイタルサインとアウトリーエポックがよく一致していることを示し, 当科に入院した患者を同定した。
• 参考スコア（独自算出の注目度）: 0.196743816844807
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, we present a novel trajectory comparison algorithm to identify abnormal vital sign trends, with the aim of improving recognition of deteriorating health. There is growing interest in continuous wearable vital sign sensors for monitoring patients remotely at home. These monitors are usually coupled to an alerting system, which is triggered when vital sign measurements fall outside a predefined normal range. Trends in vital signs, such as increasing heart rate, are often indicative of deteriorating health, but are rarely incorporated into alerting systems. We introduce a dynamic time warp distance-based measure to compare time series trajectories. We split each multi-variable sign time series into 180 minute, non-overlapping epochs. We then calculate the distance between all pairs of epochs. Each epoch is characterized by its mean pairwise distance (average link distance) to all other epochs, with clusters forming with nearby epochs. We demonstrate in synthetically generated data that this method can identify abnormal epochs and cluster epochs with similar trajectories. We then apply this method to a real-world data set of vital signs from 8 patients who had recently been discharged from hospital after contracting COVID-19. We show how outlier epochs correspond well with the abnormal vital signs and identify patients who were subsequently readmitted to hospital.
• Abstract（参考訳）: 本研究は, 健康の悪化に対する認識を改善することを目的とした, 異常なバイタルサインの傾向を識別するための新しいトラジェクトリ比較アルゴリズムを提案する。 リモートで患者を監視するための、連続的なウェアラブルバイタルサインセンサーへの関心が高まっている。 これらのモニターは、通常警告システムと結合され、バイタルサインの測定が予め定義された正常範囲外に落ちるとトリガーされる。 心拍数の増加などのバイタルサインの傾向は、しばしば健康の悪化を示すが、警告システムに組み込まれることは稀である。 時系列軌跡を比較するために,動的時間ワープ距離に基づく尺度を提案する。 我々は各多変量符号時系列を180分非重複エポックに分割した。 そして全てのエポックの間の距離を計算する。 各エポックは、他の全てのエポックと平均的なペアワイズ距離(平均リンク距離)で特徴づけられ、近傍エポックでクラスターが形成される。 本手法は, 類似の軌道を持つ異常エポックやクラスターエポックを同定できることを示す。 次に, 新型コロナウイルス感染拡大後, 退院した8人の患者から得られた, 実世界のバイタルサインのデータセットに本手法を適用した。 異常な生命徴候と異常なエポックがどのように一致しているかを示し,その後入院した患者を同定した。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
  我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。 THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。 包括的実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T14:08:57Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Graph-Guided Network for Irregularly Sampled Multivariate Time Series [15.919269970122555]
  本稿では,不規則なサンプル時系列の表現を学習するためのグラフ誘導ネットワークであるRAINDROPを紹介する。 RAINDROPはすべてのサンプルをグラフとして表現し、ノードはセンサーを示し、エッジはそれら間の依存関係を表す。 我々は、RAINDROPを用いて時系列を分類し、3つの医療および人間の活動データセットの時間的ダイナミクスを解釈する。
  論文  参考訳（メタデータ） (2021-10-11T15:37:58Z)
• Clustering Left-Censored Multivariate Time-Series [2.4493299476776778]
  クラスタリング作業における左検閲の干渉を軽減することに注力する。 検閲時間を補正しながらクラスタリングする時系列データの深い生成的連続時間モデルを開発する。 合成データに正確、安定、かつ解釈可能な結果を示します。
  論文  参考訳（メタデータ） (2021-02-13T21:22:40Z)
• Multi-view Integration Learning for Irregularly-sampled Clinical Time Series [1.9639092030562577]
  不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。 我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。 我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
  論文  参考訳（メタデータ） (2021-01-25T10:02:50Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Application of Deep Interpolation Network for Clustering of Physiologic Time Series [0.0]
  患者からのバイタルサイン情報はスパースかつ不規則に収集されることが一般的である。 スパースおよび不規則サンプルデータから潜在表現を抽出する新しいディープネットワークを提案する。 入院患者の異種コホートでは、6時間以内に測定されたバイタルサインデータからディープネットワークが表現を抽出した。
  論文  参考訳（メタデータ） (2020-04-27T18:03:24Z)

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。