論文の概要: Efficient Novelty Detection Methods for Early Warning of Potential Fatal Diseases

• arxiv url: http://arxiv.org/abs/2208.04732v1
• Date: Sat, 6 Aug 2022 19:04:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 13:21:50.940215
• Title: Efficient Novelty Detection Methods for Early Warning of Potential Fatal Diseases
• Title（参考訳）: 致死性疾患早期発見のための効率的な新規発見法
• Authors: S\`edjro Salomon Hotegni (1), Ernest Fokou\'e (2) ((1) African Institute for Mathematical Sciences - Rwanda, (2) Rochester Institute of Technology - United States)
• Abstract要約: CHE(Critical Health Episodes)のような致命的な病気は、集中治療室に入院した患者にとって真の危険である。 本研究は,急性低血圧エピソードや頻拍エピソードなどのCHEの早期警戒システムの構築に焦点をあてた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fatal diseases, as Critical Health Episodes (CHEs), represent real dangers for patients hospitalized in Intensive Care Units. These episodes can lead to irreversible organ damage and death. Nevertheless, diagnosing them in time would greatly reduce their inconvenience. This study therefore focused on building a highly effective early warning system for CHEs such as Acute Hypotensive Episodes and Tachycardia Episodes. To facilitate the precocity of the prediction, a gap of one hour was considered between the observation periods (Observation Windows) and the periods during which a critical event can occur (Target Windows). The MIMIC II dataset was used to evaluate the performance of the proposed system. This system first includes extracting additional features using three different modes. Then, the feature selection process allowing the selection of the most relevant features was performed using the Mutual Information Gain feature importance. Finally, the high-performance predictive model LightGBM was used to perform episode classification. This approach called MIG-LightGBM was evaluated using five different metrics: Event Recall (ER), Reduced Precision (RP), average Anticipation Time (aveAT), average False Alarms (aveFA), and Event F1-score (EF1-score). A method is therefore considered highly efficient for the early prediction of CHEs if it exhibits not only a large aveAT but also a large EF1-score and a low aveFA. Compared to systems using Extreme Gradient Boosting, Support Vector Classification or Naive Bayes as a predictive model, the proposed system was found to be highly dominant. It also confirmed its superiority over the Layered Learning approach.
• Abstract（参考訳）: CHE(Critical Health Episodes)のような致命的な病気は、集中治療室に入院した患者にとって真の危険である。 これらのエピソードは臓器の損傷や死を引き起こすことがある。 それでも、時間内に診断することは、その不便さを大幅に減らすだろう。 そこで本研究では,急性低血圧エピソードや頻拍エピソードなどのCHEの早期警戒システムの構築に焦点をあてた。 予測の正確性を高めるため、観測期間(観測窓)と臨界事象が起こる期間(目標窓)との間に1時間の間隔が考慮された。 MIMIC IIデータセットを用いて,提案システムの性能評価を行った。 このシステムはまず、3つの異なるモードを使って追加機能を抽出する。 そして、相互情報ゲイン機能重要度を用いて、最も関連性の高い特徴の選択を可能にする特徴選択プロセスを実施した。 最後に,高性能予測モデルLightGBMを用いてエピソード分類を行った。 MIG-LightGBMと呼ばれるこのアプローチは、イベントリコール(ER)、縮小精度(RP)、平均予測時間(aveAT)、平均False Alarms(aveFA)、イベントF1スコア(EF1スコア)の5つの異なる指標を用いて評価された。 したがって,CHE の早期予測には大きな AveAT だけでなく,大きな EF1 スコアと低い AveFA も有効であると考えられる。 予測モデルとして Extreme Gradient Boosting, Support Vector Classification あるいは Naive Bayes を用いたシステムと比較すると,提案システムは非常に支配的であった。 また、階層型学習アプローチよりも優れていることも確認した。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• NPRL: Nightly Profile Representation Learning for Early Sepsis Onset Prediction in ICU Trauma Patients [5.476582906474746]
  セプシス(Sepsis)は、感染の有無に応じて体内で発症する症候群である。 現在の機械学習アルゴリズムは性能が悪く、早期のセプシスの開始を予測できない。 我々は,前夜に収集した最新のデータを用いて,毎朝の敗血症を予測できる新しい,現実的な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-25T11:27:27Z)
• An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
  畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。 総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
  論文  参考訳（メタデータ） (2021-08-17T05:49:43Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• EventScore: An Automated Real-time Early Warning Score for Clinical Events [3.3039612529376625]
  臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。 このモデルは2つのデータセットと4つの臨床イベントで評価される。 私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
  論文  参考訳（メタデータ） (2021-02-11T11:55:08Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)
• Early Anomaly Detection in Time Series: A Hierarchical Approach for Predicting Critical Health Episodes [1.0742675209112622]
  病院の集中治療室で重篤な死亡の重大な原因となる重要な健康イベントに対処する。 早期異常検出問題に対処する最も一般的なアプローチの1つは、標準分類法である。 本稿では,これらの課題に対処するための階層型学習アーキテクチャを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T10:56:47Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソード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） (2020-05-06T09:02:30Z)

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。