論文の概要: Predicting risk of delirium from ambient noise and light information in the ICU

• arxiv url: http://arxiv.org/abs/2303.06253v1
• Date: Sat, 11 Mar 2023 00:26:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 20:04:22.781808
• Title: Predicting risk of delirium from ambient noise and light information in the ICU
• Title（参考訳）: ICUにおける環境騒音と光情報によるデリリウムのリスク予測
• Authors: Sabyasachi Bandyopadhyay, Ahna Cecil, Jessica Sena, Andrea Davidson, Ziyuan Guan, Subhash Nerella, Jiaqing Zhang, Kia Khezeli, Brooke Armfield, Azra Bihorac, Parisa Rashidi
• Abstract要約: 本研究は, 環境騒音と光情報のみを用いたICU患者に対する初回深層学習に基づくデリリウム予測モデルについて報告する。 2021年5月から2022年9月までに、Thunderboard、ActiGraphセンサー、AudioToolsアプリケーションを用いた102人のICU患者室から、環境光と雑音の強度を測定した。 深層学習モデルは、ICU滞在中または退院後4日以内にデリリウムの発生を予測するために、このデータを用いて訓練された。
• 参考スコア（独自算出の注目度）: 11.23681991118105
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing Intensive Care Unit (ICU) delirium prediction models do not consider environmental factors despite strong evidence of their influence on delirium. This study reports the first deep-learning based delirium prediction model for ICU patients using only ambient noise and light information. Ambient light and noise intensities were measured from ICU rooms of 102 patients from May 2021 to September 2022 using Thunderboard, ActiGraph sensors and an iPod with AudioTools application. These measurements were divided into daytime (0700 to 1859) and nighttime (1900 to 0659). Deep learning models were trained using this data to predict the incidence of delirium during ICU stay or within 4 days of discharge. Finally, outcome scores were analyzed to evaluate the importance and directionality of every feature. Daytime noise levels were significantly higher than nighttime noise levels. When using only noise features or a combination of noise and light features 1-D convolutional neural networks (CNN) achieved the strongest performance: AUC=0.77, 0.74; Sensitivity=0.60, 0.56; Specificity=0.74, 0.74; Precision=0.46, 0.40 respectively. Using only light features, Long Short-Term Memory (LSTM) networks performed best: AUC=0.80, Sensitivity=0.60, Specificity=0.77, Precision=0.37. Maximum nighttime and minimum daytime noise levels were the strongest positive and negative predictors of delirium respectively. Nighttime light level was a stronger predictor of delirium than daytime light level. Total influence of light features outweighed that of noise features on the second and fourth day of ICU stay. This study shows that ambient light and noise intensities are strong predictors of long-term delirium incidence in the ICU. It reveals that daytime and nighttime environmental factors might influence delirium differently and that the importance of light and noise levels vary over the course of an ICU stay.
• Abstract（参考訳）: 既存の集中治療ユニット(icu)デリリウム予測モデルは、デリリウムへの影響の強い証拠にもかかわらず、環境要因を考慮しない。 本研究は, 環境騒音と光情報のみを用いたICU患者に対する初回深層学習に基づくデリリウム予測モデルについて報告する。 2021年5月から2022年9月までに、Thunderboard、ActiGraphセンサー、AudioToolsアプリケーションを用いた102人のICU患者室から、環境光と雑音の強度を測定した。 これらの測定は昼間 (0700 - 1859) と夜間 (1900 - 0659) に分けられた。 深層学習モデルは、ICU滞在中または退院4日以内にデリリウムの発生を予測するために、このデータを用いて訓練された。 最後に,すべての特徴の重要性と方向性を評価するために,結果スコアを分析した。 夜間ノイズレベルは夜間ノイズレベルよりも有意に高かった。 auc=0.77, 0.74; 感度=0.60, 0.56; 特異度=0.74, 0.74; 精度=0.46, 0.40である。 AUC=0.80, Sensitivity=0.60, Specificity=0.77, Precision=0.37。 最高夜間と最低夜間の騒音レベルはそれぞれ,デリリウムの正および負の予測因子であった。 夜間光度は日中光度よりもデリリウムの強い予測値であった。 ICU滞在2日目と4日目の騒音特性よりも光特性の影響が大きかった。 本研究は, 環境光と騒音強度が, ICUにおける長期デリリウム発生の強い予測因子であることを示す。 昼と夜の環境要因がデリリウムに異なる影響を及ぼし、icu滞在期間中に光とノイズの重要性が変化することが明らかとなった。

関連論文リスト

• SepAl: Sepsis Alerts On Low Power Wearables With Digital Biomarkers and On-Device Tiny Machine Learning [1.0787328610467801]
  セプシス(Sepsis)は、感染症によって引き起こされる臓器不全の致命的な症候群で、全世界で年間1100万人が死亡している。 深層学習に基づく予後アルゴリズムは、実際の事象の数時間前にセプシスの開始を検知するが、バイタルサインや実験室のテストを含む多くのバイオマーカーを使用する。 本稿では、低消費電力ウェアラブルセンサのデータのみを用いて、エネルギー効率が高く軽量なニューラルネットワークであるSepAlを紹介する。
  論文  参考訳（メタデータ） (2024-07-31T09:56:19Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Comparative Study on the Effects of Noise in ML-Based Anxiety Detection [0.0]
  ノイズがモデル性能にどのように影響するかを考察し、ノイズの多い実環境に頑健なモデルを開発する。 生理的覚醒のレベルを分類する機械学習モデルにおいて,様々なノイズの強度が与える影響を比較した。
  論文  参考訳（メタデータ） (2023-06-01T19:52:24Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Amplitude-Varying Perturbation for Balancing Privacy and Utility in Federated Learning [86.08285033925597]
  本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。 我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。 新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
  論文  参考訳（メタデータ） (2023-03-07T22:52:40Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Neutron-Induced, Single-Event Effects on Neuromorphic Event-based Vision Sensor: A First Step Towards Space Applications [4.206844212918807]
  宇宙飛行におけるニューロモルフィックイベントベースの視覚カメラの適性について検討し,その性能に及ぼす中性子照射の影響について検討した。 ロスアラモス中性子科学センター(Los Alamos Neutron Science Center)の広スペクトル中性子の下でイベントベースのセンサーが照射され、その効果が分類された。 その結果、イベントベースのカメラは3.355の信号対雑音比で、空間的、放射性のある環境で機能できることが示されている。
  論文  参考訳（メタデータ） (2021-01-29T23:56:16Z)
• On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
  Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。 最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。 本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
  論文  参考訳（メタデータ） (2021-01-19T02:04:00Z)
• COVID-19 Prognosis via Self-Supervised Representation Learning and Multi-Image Prediction [32.91440827855392]
  胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。 新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。 本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
  論文  参考訳（メタデータ） (2021-01-13T07:03:17Z)

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。