Fugu-MT 論文翻訳(概要): Vital Sign Forecasting for Sepsis Patients in ICUs

論文の概要: Vital Sign Forecasting for Sepsis Patients in ICUs

arxiv url: http://arxiv.org/abs/2311.04770v1
Date: Wed, 8 Nov 2023 15:47:58 GMT
ステータス: 処理完了
システム内更新日: 2023-11-09 15:24:28.524702
Title: Vital Sign Forecasting for Sepsis Patients in ICUs
Title（参考訳）: ICUにおける敗血症患者のバイタルサイン予測
Authors: Anubhav Bhatti, Yuwei Liu, Chen Dan, Bingjie Shen, San Lee, Yonghwan Kim, Jang Yong Kim
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.543372375499915
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Sepsis and septic shock are a critical medical condition affecting millions globally, with a substantial mortality rate. This paper uses state-of-the-art deep learning (DL) architectures to introduce a multi-step forecasting system to predict vital signs indicative of septic shock progression in Intensive Care Units (ICUs). Our approach utilizes a short window of historical vital sign data to forecast future physiological conditions. We introduce a DL-based vital sign forecasting system that predicts up to 3 hours of future vital signs from 6 hours of past data. We further adopt the DILATE loss function to capture better the shape and temporal dynamics of vital signs, which are critical for clinical decision-making. We compare three DL models, N-BEATS, N-HiTS, and Temporal Fusion Transformer (TFT), using the publicly available eICU Collaborative Research Database (eICU-CRD), highlighting their forecasting capabilities in a critical care setting. We evaluate the performance of our models using mean squared error (MSE) and dynamic time warping (DTW) metrics. Our findings show that while TFT excels in capturing overall trends, N-HiTS is superior in retaining short-term fluctuations within a predefined range. This paper demonstrates the potential of deep learning in transforming the monitoring systems in ICUs, potentially leading to significant improvements in patient care and outcomes by accurately forecasting vital signs to assist healthcare providers in detecting early signs of physiological instability and anticipating septic shock.
Abstract（参考訳）: 敗血症と敗血症性ショックは世界中で何百万という深刻な医療疾患であり、死亡率が高い。本稿では,集中治療室(ICUs)における敗血症性ショック進行を示すバイタルサインを予測するための多段階予測システムを導入するために,最先端のディープラーニング(DL)アーキテクチャを用いる。提案手法は, 過去のバイタルサインデータのショートウィンドウを利用して, 将来の生理状態を予測する。我々は,過去6時間のデータから,今後3時間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。さらに, 臨床意思決定に不可欠なバイタルサインの形状と時間動態をよりよく捉えるために, ジレート損失関数を応用した。我々は,3つのDLモデルであるN-BEATS,N-HiTS,TFTを比較し,eICU-CRD(eICU Collaborative Research Database)を用いて,その予測能力を重要なケア環境で強調する。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。以上の結果から,TFTは全体の傾向を捉えるのに優れているが,N-HiTSは予め定義された範囲内で短期変動を維持するのに優れていることがわかった。本稿では,icusにおけるモニタリングシステムのトランスフォーメーションにおける深層学習の可能性を示し,生理的不安定の早期発見と敗血症性ショックの予知を支援するバイタルサインを正確に予測することで,患者のケアとアウトカムの大幅な改善につながる可能性を示唆する。

関連論文リスト

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)
Interpretable Vital Sign Forecasting with Model Agnostic Attention Maps [5.354055742467353]
本稿では,ディープラーニングモデルとアテンションメカニズムを組み合わせたフレームワークを提案する。注意機構は,N-HiTSやN-BEATSといった様々なブラックボックス時系列予測モデルに適用可能であることを示す。
論文参考訳（メタデータ） (2024-05-02T20:19:07Z)
A Knowledge Distillation Approach for Sepsis Outcome Prediction from Multivariate Clinical Time Series [2.621671379723151]
我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
論文参考訳（メタデータ） (2023-11-16T05:06:51Z)
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)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Interpreting Forecasted Vital Signs Using N-BEATS in Sepsis Patients [0.5541644538483947]
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。
論文参考訳（メタデータ） (2023-06-24T16:23:54Z)
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)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Integrating Physiological Time Series and Clinical Notes with Deep Learning for Improved ICU Mortality Prediction [21.919977518774015]
本研究では,生理学的時系列データと臨床記録を統合的死亡予測モデルに統合する方法について検討する。以上の結果より, 個別のモーダルを単独で使用した場合よりも, 予測精度が統計的に有意に向上することが示唆された。
論文参考訳（メタデータ） (2020-03-24T18:25:49Z)
Forecasting adverse surgical events using self-supervised transfer learning for physiological signals [7.262231066394781]
本稿では,PHASE という,伝送可能な埋め込み方式(時系列信号を予測機械学習モデルのための入力特徴に変換する方法)を提案する。我々は,2つの手術室(OR)データセットと集中治療室(ICU)データセットの5万件以上の手術群について,分単位でPHASEを評価した。 1つのデータセットに埋め込みモデルを訓練し、信号を埋め込み、未知のデータに有害事象を予測する伝達学習環境において、PHASEは従来の手法に比べて計算コストの低い精度で予測精度を著しく向上させる。
論文参考訳（メタデータ） (2020-02-12T02:49:15Z)

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。