論文の概要: Cardiac and extracardiac discharge diagnosis prediction from emergency
department ECGs using deep learning
- arxiv url: http://arxiv.org/abs/2312.11050v1
- Date: Mon, 18 Dec 2023 09:29:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 20:26:56.897267
- Title: Cardiac and extracardiac discharge diagnosis prediction from emergency
department ECGs using deep learning
- Title(参考訳): 深層学習を用いた救急心電図からの心・心外放電診断予測
- Authors: Nils Strodthoff, Juan Miguel Lopez Alcaraz, Wilhelm Haverkamp
- Abstract要約: 救急部で収集した心電図に基づいて, 心臓および非心臓の退院診断の多様な範囲を予測できる単一モデルの有用性を示す。
我々は,このモデルをスクリーニングツールとして活用し,総合的な臨床診断支援システムに統合する可能性を強調した。
- 参考スコア(独自算出の注目度): 1.068128849363198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current deep learning algorithms designed for automatic ECG analysis have
exhibited notable accuracy. However, akin to traditional electrocardiography,
they tend to be narrowly focused and typically address a singular diagnostic
condition. In this study, we specifically demonstrate the capability of a
single model to predict a diverse range of both cardiac and non-cardiac
discharge diagnoses based on a sole ECG collected in the emergency department.
Among the 1,076 hierarchically structured ICD codes considered, our model
achieves an AUROC exceeding 0.8 in 439 of them. This underscores the models
proficiency in handling a wide array of diagnostic scenarios. We emphasize the
potential of utilizing this model as a screening tool, potentially integrated
into a holistic clinical decision support system for efficiently triaging
patients in the emergency department. This research underscores the remarkable
capabilities of comprehensive ECG analysis algorithms and the extensive range
of possibilities facilitated by the open MIMIC-IV-ECG dataset. Finally, our
data may play a pivotal role in revolutionizing the way ECG analysis is
performed, marking a significant advancement in the field.
- Abstract(参考訳): 自動心電図解析のために設計された現在のディープラーニングアルゴリズムは、顕著な精度を示している。
しかし、従来の心電図と同様に、狭く焦点を合わせる傾向があり、典型的には特異な診断条件に対処している。
本研究は,救急部門で収集した心電図に基づいて,心臓および非心臓の退院診断の多様な範囲を予測できる単一モデルの有用性を具体的に示すものである。
1,076の階層的に構成されたicd符号のうち439で0.8以上のaurocを実現する。
これは、幅広い診断シナリオを扱うモデルの習熟度を低下させる。
我々は,このモデルをスクリーニングツールとして活用する可能性を強調し,救急部門の患者を効果的にトリアージするための総合的臨床決定支援システムに統合する可能性を強調した。
本研究は,オープンMIMIC-IV-ECGデータセットによる包括的ECG分析アルゴリズムの顕著な機能と,幅広い可能性について述べる。
最後に、我々のデータは、ECG分析の方法に革命をもたらす重要な役割を担っているかもしれない。
関連論文リスト
- EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - ElectroCardioGuard: Preventing Patient Misidentification in
Electrocardiogram Databases through Neural Networks [0.0]
臨床的には, 誤診患者に対する心電図記録の割り当ては不注意に発生することがある。
本稿では,2つの心電図が同一患者に由来するかどうかを判定する,小型で効率的な神経ネットワークモデルを提案する。
PTB-XL 上でのギャラリープローブによる患者識別において、760 倍のパラメータを用いて最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-06-09T18:53:25Z) - Hierarchical Deep Learning with Generative Adversarial Network for
Automatic Cardiac Diagnosis from ECG Signals [2.5008947886814186]
本稿では,ECG信号の自動診断のためのGAN(Generative Adversarial Network)を用いた2階層型階層型ディープラーニングフレームワークを提案する。
第1レベルのモデルはメモリ拡張DeepオートエンコーダとGANで構成されており、異常信号と通常のECGを区別して異常検出を行う。
第2レベルの学習は、異なる不整脈識別のための堅牢な多クラス分類を目指している。
論文 参考訳(メタデータ) (2022-10-19T12:29:05Z) - Identifying Electrocardiogram Abnormalities Using a
Handcrafted-Rule-Enhanced Neural Network [18.859487271034336]
我々は、深層学習に基づく心電図解析に臨床知識を提供するために、畳み込みニューラルネットワークにいくつかのルールを導入する。
我々の新しいアプローチは、既存の最先端の手法をかなり上回っている。
論文 参考訳(メタデータ) (2022-06-16T04:42:57Z) - IMLE-Net: An Interpretable Multi-level Multi-channel Model for ECG
Classification [0.9449650062296824]
臨床環境では、心臓科医が標準12チャンネル心電図記録に基づいて診断を行う。
本稿では,標準ECG記録で利用可能なマルチチャネル情報を活用し,ビート,リズム,チャネルレベルのパターンを学習するモデルを提案する。
実験結果から,マクロ平均ROC-AUCスコアは0.9216,平均精度は88.85%,最大F1スコアは0.8057であった。
論文 参考訳(メタデータ) (2022-04-06T16:29:10Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - ECG-Based Heart Arrhythmia Diagnosis Through Attentional Convolutional
Neural Networks [9.410102957429705]
本稿では,意図に基づく畳み込みニューラルネットワーク(ABCNN)を用いて生の心電図信号に対処し,正確な不整脈検出のための情報的依存関係を自動的に抽出する手法を提案する。
我々の主な課題は、正常な心拍から不整脈を見つけ、その間に5種類の不整脈から心疾患を正確に認識することである。
実験の結果,提案するABCNNは広く使用されているベースラインよりも優れていた。
論文 参考訳(メタデータ) (2021-08-18T14:55:46Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳(メタデータ) (2020-10-21T18:11:36Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z)
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。