論文の概要: Predicting Pulmonary Hypertension by Electrocardiograms Using Machine
Learning
- arxiv url: http://arxiv.org/abs/2304.12447v1
- Date: Mon, 24 Apr 2023 21:00:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 22:47:52.218410
- Title: Predicting Pulmonary Hypertension by Electrocardiograms Using Machine
Learning
- Title（参考訳）: 機械学習を用いた心電図による肺高血圧の予測
- Authors: Eashan Kosaraju, Praveen Kumar Pandian Shanmuganathan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pulmonary hypertension (PH) is a condition of high blood pressure that
affects the arteries in the lungs and the right side of the heart (Mayo Clinic,
2017). A mean pulmonary artery pressure greater than 25 mmHg is defined as
Pulmonary hypertension. The estimated 5-year survival rate from the time of
diagnosis of pulmonary hypertension is only 57% without therapy and patients
with right heart failure only survive for approximately 1 year without
treatment (Benza et al., 2012). Given the indolent nature of the disease, early
detection of PH remains a challenge leading to delays in therapy.
Echocardiography is currently used as a screening tool for diagnosing PH.
However, electrocardiography (ECG), a more accessible, simple to use, and
cost-effective tool compared to echocardiography, is less studied and explored
for screening at-risk patients for PH. The goal of this project is to create a
neural network model which can process an ECG signal and detect the presence of
PH with a confidence probability. I created a dense neural network (DNN) model
that has an accuracy of 98% over the available training sample. For future
steps, the current model will be updated with a model suited for time-series
data. To balance the dataset with proper training samples, I will generate
additional data using data augmentation techniques. Through early and accurate
detection of conditions such as PH, we widen the spectrum of innovation in
detecting chronic life-threatening health conditions and reduce associated
mortality and morbidity.
- Abstract（参考訳）: 肺高血圧症(きゅうがいかん、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(Mayo Clinical, 2017)。
25 mmHg以上の平均肺動脈圧は肺高血圧と定義される。
肺高血圧症と診断された時点での5年間の生存率は、治療なしでは57%であり、右心不全患者は治療なしで約1年間生存している(benza et al., 2012)。
疾患の未熟な性質を考えると、phの早期検出は治療の遅れにつながる課題である。
心エコー図は現在、ph診断のためのスクリーニングツールとして利用されているが、心電図よりアクセスしやすく、使用が簡単で、費用対効果が高い心電図(ecg)は、心電図より研究が進んでいない。本プロジェクトの目標は、心電図信号を処理し、信頼性確率でphの存在を検出でき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。
私は、利用可能なトレーニングサンプルに対して98%の精度で高密度ニューラルネットワーク(DNN)モデルを作成しました。
将来のステップでは、現在のモデルは時系列データに適したモデルで更新される。
データセットと適切なトレーニングサンプルのバランスをとるため、データ拡張技術を使用して追加データを生成します。
PHなどの病態の早期かつ正確な検出を通じて、慢性的な生命を脅かす健康状態の検出における革新のスペクトルを広げ、関連する死亡率と死亡率の低減を図る。
関連論文リスト
- Adversarial Contrastive Learning Based Physics-Informed Temporal Networks for Cuffless Blood Pressure Estimation [37.94387581519217]
逆相関学習を用いた物理インフォームド・テンポラル・ネットワーク(PITN)を導入し,非常に限られたデータで正確なBP推定を実現する。
次に, 対人訓練を駆使して生理的時系列データを生成し, スパースデータに面したPITNの堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-08-16T02:17:21Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:34:15Z) - Digital twinning of cardiac electrophysiology models from the surface
ECG: a geodesic backpropagation approach [39.36827689390718]
逆等角問題の解法としてGeodesic-BPを提案する。
その結果,Geodesic-BPは人工心臓の活性化を高精度に再現できることが示唆された。
パーソナライズド医療への将来のシフトを考えると、Geodesic-BPは将来の心臓モデルの機能化に役立つ可能性がある。
論文 参考訳（メタデータ） (2023-08-16T14:57:12Z) - Deep Metric Learning for the Hemodynamics Inference with
Electrocardiogram Signals [14.972877620537686]
我々は、中央の圧力ラベルを伴わない540万以上のECGを含むデータセットを使用して、自己教師型DMLモデルを事前トレーニングします。
8,172mPCWPラベルのECGを用いた教師付きDMLモデルでは,mPCWP回帰タスクの性能が著しく向上した。
論文 参考訳（メタデータ） (2023-08-09T01:30:07Z) - Tensor-based Multimodal Learning for Prediction of Pulmonary Arterial Wedge Pressure from Cardiac MRI [6.21112347271845]
心不全は重篤で生命を脅かす状態であり、左心室の圧力を上昇させる可能性がある。
PAWPは左室の高圧を示す重要な代理マーカーである。
非侵襲的な方法は、人口の多い高リスク患者を迅速に同定するのに有用である。
論文 参考訳（メタデータ） (2023-03-14T00:05:08Z) - 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) - Interpretable Prediction of Pulmonary Hypertension in Newborns using
Echocardiograms [2.770437783544638]
新生児および乳児の肺高血圧は、いくつかの肺疾患、心臓疾患、全身疾患に関連する複雑な疾患である。
心エコー図を用いたコホート194新生児のPH予測のための多視点ビデオに基づく多視点深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T12:33:58Z) - Attention based CNN-LSTM Network for Pulmonary Embolism Prediction on
Chest Computed Tomography Pulmonary Angiograms [22.62583095023903]
肺塞栓症(PE)は最も致命的な心血管疾患の一つである。
PE予測のための2段階注目型CNN-LSTMネットワークを提案する。
本フレームワークはマルチスライス手法を用いて放射線診断プロセスのミラーリングを行う。
論文 参考訳（メタデータ） (2021-07-13T17:58:15Z) - 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) - Aortic Pressure Forecasting with Deep Sequence Learning [23.571482805855755]
平均大動脈圧(MAP)は、すべての臓器系における灌流の主要な決定因子である。
本研究の目的は,5分前の25Hzの時系列データを入力として,平均大動脈圧を5分前に予測することであった。
論文 参考訳（メタデータ） (2020-05-12T01:07:25Z)
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。