論文の概要: CarDS-Plus ECG Platform: Development and Feasibility Evaluation of a
Multiplatform Artificial Intelligence Toolkit for Portable and Wearable
Device Electrocardiograms
- arxiv url: http://arxiv.org/abs/2310.07000v1
- Date: Tue, 10 Oct 2023 20:33:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 02:43:10.473823
- Title: CarDS-Plus ECG Platform: Development and Feasibility Evaluation of a
Multiplatform Artificial Intelligence Toolkit for Portable and Wearable
Device Electrocardiograms
- Title(参考訳): CarDS-Plus ECGプラットフォーム:ポータブル・ウェアラブルデバイス心電図用多プラットフォーム人工知能ツールキットの開発と実現可能性評価
- Authors: Sumukh Vasisht Shankar, Evangelos K Oikonomou, Rohan Khera
- Abstract要約: 単葉心電図(ECG)は、心臓血管の健康をモニタリングするための重要な情報源となっている。
人工知能は、これらの1つのリードのECGを解釈できる大きな進歩があった。
本稿では,AIベースのECGソリューションの迅速な展開を目的とした,革新的なマルチプラットフォームシステムの開発について述べる。
- 参考スコア(独自算出の注目度): 0.3069335774032178
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In the rapidly evolving landscape of modern healthcare, the integration of
wearable & portable technology provides a unique opportunity for personalized
health monitoring in the community. Devices like the Apple Watch, FitBit, and
AliveCor KardiaMobile have revolutionized the acquisition and processing of
intricate health data streams. Amidst the variety of data collected by these
gadgets, single-lead electrocardiogram (ECG) recordings have emerged as a
crucial source of information for monitoring cardiovascular health. There has
been significant advances in artificial intelligence capable of interpreting
these 1-lead ECGs, facilitating clinical diagnosis as well as the detection of
rare cardiac disorders. This design study describes the development of an
innovative multiplatform system aimed at the rapid deployment of AI-based ECG
solutions for clinical investigation & care delivery. The study examines design
considerations, aligning them with specific applications, develops data flows
to maximize efficiency for research & clinical use. This process encompasses
the reception of single-lead ECGs from diverse wearable devices, channeling
this data into a centralized data lake & facilitating real-time inference
through AI models for ECG interpretation. An evaluation of the platform
demonstrates a mean duration from acquisition to reporting of results of 33.0
to 35.7 seconds, after a standard 30 second acquisition. There were no
substantial differences in acquisition to reporting across two commercially
available devices (Apple Watch and KardiaMobile). These results demonstrate the
succcessful translation of design principles into a fully integrated &
efficient strategy for leveraging 1-lead ECGs across platforms & interpretation
by AI-ECG algorithms. Such a platform is critical to translating AI discoveries
for wearable and portable ECG devices to clinical impact through rapid
deployment.
- Abstract(参考訳): 現代医療の急速な発展の中で、ウェアラブルとポータブルテクノロジーの統合は、コミュニティにおけるパーソナライズされた健康モニタリングにユニークな機会を提供する。
Apple Watch、FitBit、AliveCor KardiaMobileなどのデバイスは、複雑な健康データストリームの取得と処理に革命をもたらした。
これらのガジェットが収集するさまざまなデータの中で、単誘導心電図(ecg)記録は心血管の健康を監視する上で重要な情報源となっている。
これらの1誘導心電図を解釈し, 臨床診断の容易化と, 稀な心疾患の発見を図り, 人工知能の進歩が目覚ましい。
本稿では,臨床研究とケア提供を目的とした,AIベースのECGソリューションの迅速な展開を目的とした,革新的なマルチプラットフォームシステムの開発について述べる。
本研究は, 研究と臨床利用の効率を最大化するために, 設計検討を行い, 特定の応用と整合させ, データフローを発達させる。
このプロセスは、多様なウェアラブルデバイスからシングルリードのECGを受信し、データを集中型データレイクに流し、ECG解釈のためのAIモデルによるリアルタイム推論を容易にする。
プラットフォームの評価は、標準30秒の取得の後、取得から33.0秒から35.7秒の報告までの平均期間を示す。
2つの商用デバイス(apple watchとkardiamobile)でのレポート取得に大きな違いはなかった。
これらの結果は、ai-ecgアルゴリズムによるプラットフォーム間の1リードecgの活用と解釈のための、設計原則の完全統合的かつ効率的な戦略への簡潔な変換を示している。
このようなプラットフォームは、ウェアラブルおよびポータブルECGデバイス用のAI発見を、迅速なデプロイメントを通じて臨床的インパクトに翻訳する上で重要なものだ。
関連論文リスト
- Large-scale Training of Foundation Models for Wearable Biosignals [1.8291790356553643]
バイオシグナーの追跡は、健康の監視と重度の医療疾患の予防に不可欠である。
ウェアラブルと既存のデジタルバイオマーカーにもかかわらず、ラベル付きデータの欠如は、新しいバイオマーカーの開発を妨げる。
我々は、フォトムーブメントと心電図という2つの一般的な生体信号の基礎モデルを訓練する。
論文 参考訳(メタデータ) (2023-12-08T23:44:34Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳(メタデータ) (2023-10-28T12:08:03Z) - A Revolution of Personalized Healthcare: Enabling Human Digital Twin
with Mobile AIGC [54.74071593520785]
モバイルAIGCは、ヒューマンデジタルツイン(HDT)と呼ばれる新興アプリケーションのキーとなる技術である
モバイルAIGCによって強化されたHDTは、まれな疾患データを生成し、高忠実なデジタルツインをモデル化し、多目的テストベッドを構築し、24/7のカスタマイズ医療サービスを提供することで、パーソナライズされたヘルスケアに革命をもたらすことが期待されている。
論文 参考訳(メタデータ) (2023-07-22T15:59:03Z) - Enhancing ECG Analysis of Implantable Cardiac Monitor Data: An Efficient
Pipeline for Multi-Label Classification [0.0]
植込み型心臓モニター(ICM)は、現在、移植型心臓デバイスで急速に成長している市場である。
ICMは患者の心拍リズムを常に監視し記録し、トリガーすると、医療専門家がそれをレビューできる安全なサーバーに送る。
本研究は,ICMデータの自動解析における課題と解決方法を示し,既存の手法よりも優れた分類法を提案する。
論文 参考訳(メタデータ) (2023-07-12T12:49:18Z) - ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on
Continual Learning [20.465733855762835]
心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。
古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。
本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
論文 参考訳(メタデータ) (2023-04-10T15:19:00Z) - Towards Personalized Healthcare in Cardiac Population: The Development
of a Wearable ECG Monitoring System, an ECG Lossy Compression Schema, and a
ResNet-Based AF Detector [19.706400613998703]
心房細動(AF)は通常、心電図(ECG)を用いて診断される。
本書では、ウェアラブルECGデバイス、モバイルアプリケーション、バックエンドサーバを具現化したパーソナライズされた医療システムの設計と実装について述べる。
論文 参考訳(メタデータ) (2022-07-11T19:08:46Z) - Reducing a complex two-sided smartwatch examination for Parkinson's
Disease to an efficient one-sided examination preserving machine learning
accuracy [63.20765930558542]
パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。
本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
論文 参考訳(メタデータ) (2022-05-11T09:12:59Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳(メタデータ) (2020-11-17T16:15:49Z) - CardioLearn: A Cloud Deep Learning Service for Cardiac Disease Detection
from Electrocardiogram [5.697086783381729]
CardioLearnというECGの心臓疾患検出のためのクラウド深層学習サービスの構築,トレーニング,運用について,我々の研究成果を実演する。
実用的な例として、我々は、いつでもどこでも心電図を収集し、心疾患を検出できるインタラクティブなモバイルプログラムとともに、ポータブルなスマートハードウェアデバイスを設計する。
論文 参考訳(メタデータ) (2020-07-04T18:48:24Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
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。