論文の概要: The Potential of Wearable Sensors for Assessing Patient Acuity in Intensive Care Unit (ICU)

• arxiv url: http://arxiv.org/abs/2311.02251v1
• Date: Fri, 3 Nov 2023 21:52:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 18:47:39.906458
• Title: The Potential of Wearable Sensors for Assessing Patient Acuity in Intensive Care Unit (ICU)
• Title（参考訳）: 集中治療室(ICU)における患者視力評価のためのウェアラブルセンサの可能性
• Authors: Jessica Sena, Mohammad Tahsin Mostafiz, Jiaqing Zhang, Andrea Davidson, Sabyasachi Bandyopadhyay, Ren Yuanfang, Tezcan Ozrazgat-Baslanti, Benjamin Shickel, Tyler Loftus, William Robson Schwartz, Azra Bihorac and Parisa Rashidi
• Abstract要約: エクイティアセスメントは、タイムリーな介入と公平なリソース割り当てを提供するために、重要なケア設定において不可欠である。 従来のAcuityスコアには、ICUの回復や劣化を示す、患者のモビリティレベルなどの詳細な情報が含まれていない。 本研究では,手首の加速度計から収集したモビリティデータとEHRから得られた臨床データとを統合してAIによる明度評価スコアを作成することによる影響について検討した。
• 参考スコア（独自算出の注目度）: 12.359907390320453
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Acuity assessments are vital in critical care settings to provide timely interventions and fair resource allocation. Traditional acuity scores rely on manual assessments and documentation of physiological states, which can be time-consuming, intermittent, and difficult to use for healthcare providers. Furthermore, such scores do not incorporate granular information such as patients' mobility level, which can indicate recovery or deterioration in the ICU. We hypothesized that existing acuity scores could be potentially improved by employing Artificial Intelligence (AI) techniques in conjunction with Electronic Health Records (EHR) and wearable sensor data. In this study, we evaluated the impact of integrating mobility data collected from wrist-worn accelerometers with clinical data obtained from EHR for developing an AI-driven acuity assessment score. Accelerometry data were collected from 86 patients wearing accelerometers on their wrists in an academic hospital setting. The data was analyzed using five deep neural network models: VGG, ResNet, MobileNet, SqueezeNet, and a custom Transformer network. These models outperformed a rule-based clinical score (SOFA= Sequential Organ Failure Assessment) used as a baseline, particularly regarding the precision, sensitivity, and F1 score. The results showed that while a model relying solely on accelerometer data achieved limited performance (AUC 0.50, Precision 0.61, and F1-score 0.68), including demographic information with the accelerometer data led to a notable enhancement in performance (AUC 0.69, Precision 0.75, and F1-score 0.67). This work shows that the combination of mobility and patient information can successfully differentiate between stable and unstable states in critically ill patients.
• Abstract（参考訳）: acuity assessmentsは、タイムリーな介入と公平なリソース割り当てを提供するために、重要なケア設定において不可欠である。 従来の明度スコアは、生理状態のマニュアルアセスメントとドキュメントに依存しており、医療提供者にとって時間がかかり、断続的であり、使いづらい。 また、これらのスコアには患者の移動度などの粒度情報が含まれておらず、icuの回復や劣化を示す。 既存の明度スコアは、Electronic Health Records(EHR)とウェアラブルセンサーデータと組み合わせて人工知能(AI)技術を用いることで、潜在的に改善できると仮定した。 本研究では,手首の加速度計から収集したモビリティデータとEHRから得られた臨床データとを統合してAIによる明度評価スコアを作成することによる影響について検討した。 手首に加速度計を装着した86人の患者から, 加速度計測データを収集した。 データは、vgg、resnet、mobilenet、spepernet、カスタムトランスフォーマーネットワークの5つのディープニューラルネットワークモデルを用いて分析された。 これらのモデルは、特に精度、感度、F1スコアに関して、基準基準として使用されるルールベースの臨床スコア(SOFA=Sequential Organ Failure Assessment)を上回った。 その結果、加速度計データのみに依存するモデルが限られた性能(AUC 0.50, Precision 0.61, F1-score 0.68)を達成する一方で、加速度計データによる人口統計情報を含む性能が顕著に向上した(AUC 0.69, Precision 0.75, F1-score 0.67)。 本研究は, 移動度と患者情報の組み合わせが, 重症患者の安定状態と不安定状態の区別に有効であることを示す。

関連論文リスト

• AIPatient: Simulating Patients with EHRs and LLM Powered Agentic Workflow [33.8495939261319]
  本稿では,AIPatient Knowledge Graph (AIPatient KG) を入力とし,生成バックボーンとしてReasoning Retrieval-Augmented Generation (RAG) を開発した。 Reasoning RAGは、検索、KGクエリ生成、抽象化、チェッカー、書き直し、要約を含むタスクにまたがる6つのLLMエージェントを活用する。 ANOVA F-value 0.6126, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.6126, p>0.1)。
  論文  参考訳（メタデータ） (2024-09-27T17:17:15Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• A Fully Automated Pipeline Using Swin Transformers for Deep Learning-Based Blood Segmentation on Head CT Scans After Aneurysmal Subarachnoid Hemorrhage [0.0]
  我々は,自発性くも膜下出血(SAH)患者に対して,人工知能による完全自動血液分画ツールを開発し,その妥当性を検証した。 神経節下出血(aSAH)と診断された症例のNCCTスキャンをSwin UNETRを用いて経時的に解析した。
  論文  参考訳（メタデータ） (2023-12-29T10:57:51Z)
• 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)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Early Mobility Recognition for Intensive Care Unit Patients Using Accelerometers [3.772793938066986]
  Intensive Care Unit (ICU) 患者に対するヒト活動認識, 早期移動認識の医療応用を提案する。 我々のシステムには、ICU患者からの加速度計に基づくデータ収集と、患者の早期モビリティを認識するAIモデルが含まれている。 その結果,モデル精度は77.78%から81.86%に向上し,モデル不安定性(標準偏差)は16.69%から6.92%に低下した。
  論文  参考訳（メタデータ） (2021-06-28T22:59:31Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)

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。