論文の概要: Improving ECG-based COVID-19 diagnosis and mortality predictions using
pre-pandemic medical records at population-scale
- arxiv url: http://arxiv.org/abs/2211.10431v1
- Date: Mon, 14 Nov 2022 04:48:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 13:16:49.367189
- Title: Improving ECG-based COVID-19 diagnosis and mortality predictions using
pre-pandemic medical records at population-scale
- Title（参考訳）: パンデミック前医療記録を用いた心電図に基づく新型コロナウイルスの診断と死亡予測の改善
- Authors: Weijie Sun, Sunil Vasu Kalmady, Nariman Sepehrvan, Luan Manh Chu,
Zihan Wang, Amir Salimi, Abram Hindle, Russell Greiner, Padma Kaul
- Abstract要約: この研究は、パンデミック前データを用いた事前学習モデルであるこのアプローチが効果的に機能することを示します。
同様のトランスファー学習戦略は、将来のパンデミックの流行において、タイムリーな人工知能ソリューションを開発するのに有用である。
- 参考スコア（独自算出の注目度）: 19.23987229578229
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Pandemic outbreaks such as COVID-19 occur unexpectedly, and need immediate
action due to their potential devastating consequences on global health.
Point-of-care routine assessments such as electrocardiogram (ECG), can be used
to develop prediction models for identifying individuals at risk. However,
there is often too little clinically-annotated medical data, especially in
early phases of a pandemic, to develop accurate prediction models. In such
situations, historical pre-pandemic health records can be utilized to estimate
a preliminary model, which can then be fine-tuned based on limited available
pandemic data. This study shows this approach -- pre-train deep learning models
with pre-pandemic data -- can work effectively, by demonstrating substantial
performance improvement over three different COVID-19 related diagnostic and
prognostic prediction tasks. Similar transfer learning strategies can be useful
for developing timely artificial intelligence solutions in future pandemic
outbreaks.
- Abstract（参考訳）: 新型コロナウイルスなどのパンデミックの流行は予想外に発生し、世界的な健康に壊滅的な影響をもたらす可能性があるため、直ちに対応する必要がある。
心電図(ECG)のようなポイント・オブ・ケアのルーチンアセスメントを用いて、リスクのある個人を特定するための予測モデルを開発することができる。
しかし、特にパンデミックの初期段階では、正確な予測モデルを開発するには、臨床的に注釈された医療データが少ないことが多い。
このような状況下では、過去のパンデミック前の健康記録を利用して予備モデルを推定し、限られたパンデミックデータに基づいて微調整することができる。
本研究は、3つの異なるcovid-19関連診断および予後予測タスクに対して実質的なパフォーマンス改善を示すことにより、このアプローチ -- パンデミック前データを用いたディープラーニングモデル -- が効果的に機能することを示しています。
同様のトランスファー学習戦略は、将来のパンデミックでタイムリーな人工知能ソリューションを開発するのに役立つ。
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) - 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) - 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) - 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) - Predicting infections in the Covid-19 pandemic -- lessons learned [5.981641988736108]
本稿では,XPrize Pandemic Response Challengeのために提案された予測アルゴリズムから始める。
モデル化された地域の文化に関する付加的な情報でアルゴリズムを増強することで、短期予測の性能を向上させることができることがわかった。
中期予測の精度は依然として低く、そのようなモデルを公共政策ツールボックスの信頼性の高いコンポーネントにするためには、かなりの量の将来の研究が必要である。
論文 参考訳（メタデータ） (2021-12-02T20:20:46Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - Backtesting the predictability of COVID-19 [0.0]
我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。
パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。
いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
論文 参考訳（メタデータ） (2020-07-22T13:18:00Z) - CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic
for Interpretable Prognosis [20.701122594508675]
新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。
CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。
実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
論文 参考訳（メタデータ） (2020-07-17T09:20:56Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。