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
- Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。
その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。
今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
論文 参考訳（メタデータ） (2024-12-17T18:07:40Z) - ECGtizer: a fully automated digitizing and signal recovery pipeline for electrocardiograms [0.8480931990442769]
ECGtizerは、紙ECGをデジタル化し、ストレージ中に失われた信号を復元するオープンソースツールである。
自動リード検出、3つのピクセルベースの信号抽出アルゴリズム、ディープラーニングベースの信号再構成モジュールを採用している。
論文 参考訳（メタデータ） (2024-12-09T10:19:02Z) - Electrocardiogram (ECG) Based Cardiac Arrhythmia Detection and Classification using Machine Learning Algorithms [0.0]
機械学習(ML)と深層学習(DL)は、診断、予後、重篤な健康状態の治療を改善するために、医学の新たな展望を開いている。
本稿では,不整脈心電図(ECG)信号を分類するための予測精度の高いMLモデルの開発に着目する。
論文 参考訳（メタデータ） (2024-12-07T08:29:44Z) - AnyECG: Foundational Models for Electrocardiogram Analysis [36.53693619144332]
心電図(ECG)は急性心臓発作の検出に非常に敏感である。
本稿では,実世界のECGデータからロバストな表現を抽出するための基礎モデルであるAnyECGを紹介する。
異常検出,不整脈検出,不良鉛生成,超長期心電図信号解析などの実験結果から,AnyECGがデータから共通心電図の知識を学習し,各タスクにおける最先端手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2024-11-17T17:32:58Z) - MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。
最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。
LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T23:20:56Z) - 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) - 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) - 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) - 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) - 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)
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。