Fugu-MT 論文翻訳(概要): Transformer Models for Acute Brain Dysfunction Prediction

論文の概要: Transformer Models for Acute Brain Dysfunction Prediction

arxiv url: http://arxiv.org/abs/2303.07305v1
Date: Mon, 13 Mar 2023 17:30:04 GMT
ステータス: 処理完了
システム内更新日: 2023-03-14 13:36:25.704865
Title: Transformer Models for Acute Brain Dysfunction Prediction
Title（参考訳）: 急性脳機能障害予測のためのトランスフォーマーモデル
Authors: Brandon Silva, Miguel Contreras, Tezcan Ozrazgat Baslanti, Yuanfang Ren, Guan Ziyuan, Kia Khezeli, Azra Bihorac, Parisa Rashidi
Abstract要約: 急性脳機能障害(ABD)は、特に高齢者においてICUで多い。我々は電子健康記録(Electronic Health Record, HER)データを用いたADBのリアルタイム予測のための機械学習システムを開発した。そして,本システムは,ISUにおけるADBのリアルタイム予測に利用でき,ABDによるインシデント数を削減できる。
参考スコア（独自算出の注目度）: 3.2884323672632028
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Acute brain dysfunctions (ABD), which include coma and delirium, are prevalent in the ICU, especially among older patients. The current approach in manual assessment of ABD by care providers may be sporadic and subjective. Hence, there exists a need for a data-driven robust system automating the assessment and prediction of ABD. In this work, we develop a machine learning system for real-time prediction of ADB using Electronic Health Record (HER) data. Our data processing pipeline enables integration of static and temporal data, and extraction of features relevant to ABD. We train several state-of-the-art transformer models and baseline machine learning models including CatBoost and XGB on the data that was collected from patients admitted to the ICU at UF Shands Hospital. We demonstrate the efficacy of our system for tasks related to acute brain dysfunction including binary classification of brain acuity and multi-class classification (i.e., coma, delirium, death, or normal), achieving a mean AUROC of 0.953 on our Long-former implementation. Our system can then be deployed for real-time prediction of ADB in ICUs to reduce the number of incidents caused by ABD. Moreover, the real-time system has the potential to reduce costs, duration of patients stays in the ICU, and mortality among those afflicted.
Abstract（参考訳）: 急性脳機能障害(abd, coma, delirium)は、特に高齢者において、icuに多くみられる。ケア提供者によるabdのマニュアル評価における現在のアプローチは散発的で主観的かもしれない。したがって、abdの評価と予測を自動化するデータ駆動ロバストなシステムが必要である。本研究では,HER(Electronic Health Record)データを用いたADBのリアルタイム予測のための機械学習システムの開発を行う。我々のデータ処理パイプラインは、静的および時間的データの統合と、ABDに関連する機能の抽出を可能にします。 UF Shands HospitalのICUに入院した患者から収集したデータに基づいて,いくつかの最先端のトランスフォーマーモデルとベースライン機械学習モデルをトレーニングした。本システムの有効性は,脳力の2値分類と多クラス分類(コマ,デリリウム,死,正常)を含む急性脳機能障害に関連する課題に有効であり,我々のLong-former 実装における平均 0.953 の AUROC を達成できることを示す。そして,本システムは,ISUにおけるADBのリアルタイム予測に利用でき,ABDによるインシデント数を削減できる。さらに、リアルタイムシステムは、コストを削減し、ICUに滞在する患者の期間を短縮し、関連する患者の死亡率を下げる可能性がある。

関連論文リスト

REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。本モデルは,発作検出と分類作業において高い精度を示す。
論文参考訳（メタデータ） (2024-06-03T16:30:19Z)
A multi-cohort study on prediction of acute brain dysfunction states using selective state space models [12.0129301272171]
急性脳機能障害(ABD)は、その流行と患者の予後に深刻な影響があるため、重要な課題である。本研究はElectronic Health Records(EHR)データを利用してこれらの問題を解決する。既存のモデルでは1つの状態(例えば、デリリウムまたはコマ)だけを予測するには少なくとも24時間の観測データが必要である。 ICU滞在中12時間間隔でデリリウム、コマ、死亡、変動を動的に予測することで、既存の文献におけるこれらのギャップを埋める。
論文参考訳（メタデータ） (2024-03-11T22:58:11Z)
Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
ICUの既存の患者評価は散発的であり、手動で管理されている。我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。 634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
論文参考訳（メタデータ） (2023-11-01T15:07:03Z)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文参考訳（メタデータ） (2023-03-02T17:27:45Z)
Sequential Diagnosis Prediction with Transformer and Ontological Representation [35.88195694025553]
本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。 2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
論文参考訳（メタデータ） (2021-09-07T13:09:55Z)
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)
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)
A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文参考訳（メタデータ） (2020-06-09T21:21:38Z)
Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文参考訳（メタデータ） (2020-05-10T01:45:03Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。