論文の概要: Interpreting Forecasted Vital Signs Using N-BEATS in Sepsis Patients
- arxiv url: http://arxiv.org/abs/2306.14016v1
- Date: Sat, 24 Jun 2023 16:23:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 17:43:33.939143
- Title: Interpreting Forecasted Vital Signs Using N-BEATS in Sepsis Patients
- Title（参考訳）: 敗血症患者に対するN-BEATSを用いた予測的生体信号の解釈
- Authors: Anubhav Bhatti, Naveen Thangavelu, Marium Hassan, Choongmin Kim, San
Lee, Yonghwan Kim, Jang Yong Kim
- Abstract要約: 本研究は,集中治療室(ICU)における敗血症患者の3時間の生命予後を予測できる,解釈可能な深層学習予測モデルであるN-BEATSについて検討する。
我々はN-BEATSの解釈可能な構成を用いて、バイタルサインの傾向を予測し、それらを実際の傾向と比較し、患者の変化状況と、輸液剤がバイタルサインに与える影響をよりよく理解する。
その結果, 実際の傾向と予測傾向が一致した場合の死亡率(92%)は, 類似しない時期に比べて高かった。
- 参考スコア（独自算出の注目度）: 0.5541644538483947
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Detecting and predicting septic shock early is crucial for the best possible
outcome for patients. Accurately forecasting the vital signs of patients with
sepsis provides valuable insights to clinicians for timely interventions, such
as administering stabilizing drugs or optimizing infusion strategies. Our
research examines N-BEATS, an interpretable deep-learning forecasting model
that can forecast 3 hours of vital signs for sepsis patients in intensive care
units (ICUs). In this work, we use the N-BEATS interpretable configuration to
forecast the vital sign trends and compare them with the actual trend to
understand better the patient's changing condition and the effects of infused
drugs on their vital signs. We evaluate our approach using the publicly
available eICU Collaborative Research Database dataset and rigorously evaluate
the vital sign forecasts using out-of-sample evaluation criteria. We present
the performance of our model using error metrics, including mean squared error
(MSE), mean average percentage error (MAPE), and dynamic time warping (DTW),
where the best scores achieved are 18.52e-4, 7.60, and 17.63e-3, respectively.
We analyze the samples where the forecasted trend does not match the actual
trend and study the impact of infused drugs on changing the actual vital signs
compared to the forecasted trend. Additionally, we examined the mortality rates
of patients where the actual trend and the forecasted trend did not match. We
observed that the mortality rate was higher (92%) when the actual and
forecasted trends closely matched, compared to when they were not similar
(84%).
- Abstract（参考訳）: 早期の敗血症性ショックの検出と予測は患者の最善の結果に不可欠である。
敗血症患者の生命徴候を正確に予測することは、安定剤の投与や輸液戦略の最適化といったタイムリーな介入のための貴重な洞察を提供する。
本研究は,集中治療室(ICUs)における敗血症患者の3時間の生命予後を予測できる,解釈可能な深層学習予測モデルであるN-BEATSについて検討した。
本研究は,N-BEATSの解釈可能な構成を用いて,バイタルサインの傾向を予測し,実際の傾向と比較し,患者の変化状況と輸液剤がバイタルサインに与える影響をよく理解する。
提案手法は,eicu共同研究データベースデータセットを用いて評価し,サンプル外評価基準を用いてバイタルサイン予測を厳格に評価する。
本研究では,平均二乗誤差 (mse), 平均パーセンテージ誤差 (mape), 動的時間ウォーピング (dtw) などの誤差指標を用いて, 最高スコアが18.52e-4, 7.60, 17.63e-3であるモデルの性能を示す。
予測された傾向が実際の傾向と一致しないサンプルを分析し, 予測された傾向と実際のバイタルサインの変化に与える影響について検討した。
また,実際の傾向と予測された傾向が一致しない患者の死亡率についても検討した。
その結果、実際の傾向と予測された傾向が一致した場合の死亡率(92%)は、類似しない時期(84%)よりも高かった。
関連論文リスト
- SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。
また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
論文 参考訳（メタデータ） (2024-09-30T03:01:25Z) - 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) - Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。
オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。
各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
論文 参考訳（メタデータ） (2024-07-20T13:49:14Z) - Vital Sign Forecasting for Sepsis Patients in ICUs [5.543372375499915]
本稿では,最先端のディープラーニング(DL)アーキテクチャを用いて,多段階予測システムを提案する。
我々は,過去6時間のデータから,今後3時間分のバイタルサインを予測できるDLベースのバイタルサイン予測システムを導入する。
平均二乗誤差 (MSE) と動的時間歪み (DTW) 測定値を用いて, モデルの性能評価を行った。
論文 参考訳（メタデータ） (2023-11-08T15:47:58Z) - Forecasting Patient Flows with Pandemic Induced Concept Drift using
Explainable Machine Learning [0.0]
本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。
新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
論文 参考訳（メタデータ） (2022-11-01T20:42:26Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - 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) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - 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。