論文の概要: Analysis and prediction of heart stroke from ejection fraction and serum
creatinine using LSTM deep learning approach
- arxiv url: http://arxiv.org/abs/2209.13799v1
- Date: Wed, 28 Sep 2022 03:00:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 16:19:29.203275
- Title: Analysis and prediction of heart stroke from ejection fraction and serum
creatinine using LSTM deep learning approach
- Title（参考訳）: LSTMディープラーニングを用いた血清クレアチニンおよび溶出分画からの心梗塞の解析と予測
- Authors: Md Ershadul Haque, Salah Uddin, Md Ariful Islam, Amira Khanom, Abdulla
Suman, Manoranjan Paul
- Abstract要約: 我々は、長期記憶(LSTM)を利用したスマートで予測可能なモデルを構築し、その健康記録に基づいて、心不全の今後の動向を予測する。
ファサロバド心臓医学研究所とファサロバドの連合軍病院(パキスタン・パンジャブ)で収集された299人の心不全患者の医療記録を含むデータセットを分析した。
このデータセットには13の特徴が含まれており、心不全の原因となる臨床、身体、ライフスタイルに関する情報が報告されている。
- 参考スコア（独自算出の注目度）: 9.476778519758428
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The combination of big data and deep learning is a world-shattering
technology that can greatly impact any objective if used properly. With the
availability of a large volume of health care datasets and progressions in deep
learning techniques, systems are now well equipped to predict the future trend
of any health problems. From the literature survey, we found the SVM was used
to predict the heart failure rate without relating objective factors. Utilizing
the intensity of important historical information in electronic health records
(EHR), we have built a smart and predictive model utilizing long short-term
memory (LSTM) and predict the future trend of heart failure based on that
health record. Hence the fundamental commitment of this work is to predict the
failure of the heart using an LSTM based on the patient's electronic medicinal
information. We have analyzed a dataset containing the medical records of 299
heart failure patients collected at the Faisalabad Institute of Cardiology and
the Allied Hospital in Faisalabad (Punjab, Pakistan). The patients consisted of
105 women and 194 men and their ages ranged from 40 and 95 years old. The
dataset contains 13 features, which report clinical, body, and lifestyle
information responsible for heart failure. We have found an increasing trend in
our analysis which will contribute to advancing the knowledge in the field of
heart stroke prediction.
- Abstract（参考訳）: ビッグデータとディープラーニングの組み合わせは、適切に使用すれば、どんな目的にも大きく影響する、世界を変える技術だ。
大量の医療データセットが利用可能となり、ディープラーニング技術の進歩により、システムはあらゆる健康問題の将来の動向を予測するのに十分な能力を持っている。
文献調査の結果,SVMは客観的因子を関連づけることなく心不全率を予測するために用いられた。
電子健康記録(EHR)における重要な歴史的情報の強度を利用して、長期記憶(LSTM)を利用したスマートで予測的なモデルを構築し、その健康記録に基づいて心不全の今後の動向を予測する。
したがって、本研究の基本的なコミットメントは、患者の電子医学情報に基づいてLSTMを用いて心不全を予測することである。
我々はfaisalabad循環器研究所とfaisalabadの連合病院(パキスタン・プンジャブ)で収集された299人の心不全患者の医療記録を含むデータセットを分析した。
患者は女性105名,男性194名であり,年齢は40歳から95歳であった。
データセットには、心不全の原因となる臨床的、身体的、ライフスタイル情報を報告する13の機能が含まれている。
その結果,脳卒中予知の分野における知識の進歩に寄与する傾向がみられた。
関連論文リスト
- FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - Event-Based Contrastive Learning for Medical Time Series [11.696805672885798]
Event-Based Contrastive Learning (EBCL) は異種患者データの埋め込みを学習する手法である。
EBCLが重要な下流タスクの性能向上をもたらすモデルを構築するのに利用できることを示す。
論文 参考訳（メタデータ） (2023-12-16T03:50:24Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Ensemble Framework for Cardiovascular Disease Prediction [0.0]
心臓病は、世界中でコミュニケーション不能で無音な死の主な原因である。
我々は,ExtraTrees,Random Forest,XGBoostなど,複数の機械学習アルゴリズムを用いたアンサンブルを組み込んだフレームワークを提案している。
提案手法は,既存の文献よりも高い92.34%の精度を実現した。
論文 参考訳（メタデータ） (2023-06-16T17:37:43Z) - Predicting Pulmonary Hypertension by Electrocardiograms Using Machine
Learning [0.0]
肺高血圧症(英: lung hypertension, PH)は、肺と心臓の右側の動脈に影響を及ぼす高血圧の病態である。
このプロジェクトの目的は、ECG信号を処理し、信頼確率でPHの存在を検出するニューラルネットワークモデルを作成することである。
論文 参考訳（メタデータ） (2023-04-24T21:00:16Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Investigating myocardial infarction and its effects in patients with
urgent medical problems using advanced data mining tools [0.0]
心筋梗塞は死亡の重大な危険因子である。
本研究の目的は,データ解析アルゴリズムを用いて,心臓発作患者の精度を比較することである。
論文 参考訳（メタデータ） (2021-12-15T05:10:55Z) - Understanding Heart-Failure Patients EHR Clinical Features via SHAP
Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
心不全(Heart failure, HF)は、死因の一つ。
機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。
以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
論文 参考訳（メタデータ） (2021-03-20T22:17:05Z) - 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。