論文の概要: Bridging AI and Clinical Practice: Integrating Automated Sleep Scoring
Algorithm with Uncertainty-Guided Physician Review
- arxiv url: http://arxiv.org/abs/2312.14996v1
- Date: Fri, 22 Dec 2023 15:58:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 20:24:29.745428
- Title: Bridging AI and Clinical Practice: Integrating Automated Sleep Scoring
Algorithm with Uncertainty-Guided Physician Review
- Title（参考訳）: ブリッジングAIと臨床実践: 自動睡眠スコアアルゴリズムと不確かさガイドの医師レビューの統合
- Authors: Michal Bechny (1 and 2), Giuliana Monachino (1 and 2), Luigi Fiorillo
(2), Julia van der Meer (3), Markus H. Schmidt (3 and 4), Claudio L. A.
Bassetti (3), Athina Tzovara (1 and 5), Francesca D. Faraci (2) ((1)
Institute of Computer Science, University of Bern, Bern, Switzerland (2)
Institute of Digital Technologies for Personalized Healthcare (MeDiTech),
University of Applied Sciences and Arts of Southern Switzerland, Lugano,
Switzerland (3) Department of Neurology, Inselspital, Bern University
Hospital, University of Bern, Bern, Switzerland (4) Ohio Sleep Medicine
Institute, Dublin, United States (5) Center for Experimental Neurology,
Department of Neurology, Inselspital, Bern University Hospital, University of
Bern, Bern, Switzerland)
- Abstract要約: 本研究は,不確実性推定手法を取り入れた自動睡眠検査アルゴリズムの臨床的有用性を高めることを目的とする。
13のオープンアクセスデータベースからの合計19578のPSGを使用して、最先端の睡眠スコアアルゴリズムであるU-Sleepをトレーニングした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: This study aims to enhance the clinical use of automated
sleep-scoring algorithms by incorporating an uncertainty estimation approach to
efficiently assist clinicians in the manual review of predicted hypnograms, a
necessity due to the notable inter-scorer variability inherent in
polysomnography (PSG) databases. Our efforts target the extent of review
required to achieve predefined agreement levels, examining both in-domain and
out-of-domain data, and considering subjects diagnoses. Patients and methods:
Total of 19578 PSGs from 13 open-access databases were used to train U-Sleep, a
state-of-the-art sleep-scoring algorithm. We leveraged a comprehensive clinical
database of additional 8832 PSGs, covering a full spectrum of ages and
sleep-disorders, to refine the U-Sleep, and to evaluate different
uncertainty-quantification approaches, including our novel confidence network.
The ID data consisted of PSGs scored by over 50 physicians, and the two OOD
sets comprised recordings each scored by a unique senior physician. Results:
U-Sleep demonstrated robust performance, with Cohen's kappa (K) at 76.2% on ID
and 73.8-78.8% on OOD data. The confidence network excelled at identifying
uncertain predictions, achieving AUROC scores of 85.7% on ID and 82.5-85.6% on
OOD data. Independently of sleep-disorder status, statistical evaluations
revealed significant differences in confidence scores between aligning vs
discording predictions, and significant correlations of confidence scores with
classification performance metrics. To achieve K of at least 90% with physician
intervention, examining less than 29.0% of uncertain epochs was required,
substantially reducing physicians workload, and facilitating near-perfect
agreement.
- Abstract（参考訳）: 目的: 本研究の目的は, 予測催眠図のマニュアルレビューにおいて, 臨床医を効率的に支援するための不確実性推定手法を組み込むことにより, 自動睡眠コーリングアルゴリズムの臨床的利用を促進することである。
本研究は,事前定義された合意レベルを達成するために必要なレビュー範囲を目標とし,ドメイン内データとドメイン外データの両方を調べ,対象者の診断を検討する。
患者と方法:13のオープンアクセスデータベースから合計19578のPSGを使用して、最先端の睡眠スコアアルゴリズムであるU-Sleepをトレーニングした。
我々は、年齢と睡眠障害の全スペクトルをカバーする8832psgの総合的な臨床データベースを利用して、u-sleepを洗練し、新しい信頼ネットワークを含む異なる不確実性定量化アプローチを評価する。
idデータは50名以上の医師が獲得したpsgからなり、2つのoodセットはそれぞれユニークな上級医師が記録した。
結果: U-Sleepは堅牢な性能を示し、CohenのKappaはIDが76.2%、OODデータが73.8-78.8%だった。
信頼ネットワークは不確実な予測の特定に優れており、AUROCはIDが85.7%、OODデータが82.5-85.6%だった。
睡眠障害状態とは関係なく, 統計的評価では, 整合性と不協和性予測の信頼スコアの有意差がみられた。
医師の介入で少なくとも90%のKを達成するためには、不確実なエポックの29.0%未満を検査し、医師の負担を大幅に減らし、ほぼ完全な合意を容易にした。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Quantifying Impairment and Disease Severity Using AI Models Trained on
Healthy Subjects [27.786240241494436]
Confidence-based chaRacterization of Anomalies (COBRA) スコアは、障害または疾患のある患者に提示された場合、これらのモデルの信頼性の低下を利用する。
脳卒中患者の上半身障害の現在の臨床的評価の鍵となる限界にCOBRAスコアを適用した。
論文 参考訳（メタデータ） (2023-11-21T18:45:52Z) - 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) - Real-World Performance of Autonomously Reporting Normal Chest
Radiographs in NHS Trusts Using a Deep-Learning Algorithm on the GP Pathway [0.0]
DLアルゴリズムは2022年12月からSomerset NHS Foundation Trust (SFT)とCalderdale & Huddersfield NHS Trust (CHFT)に展開されている。
このアルゴリズムは展開前に開発・訓練され,各GP要求胸部X線(CXR)に異常スコアを割り当てるために使用される。
このアルゴリズムは、最も低い異常スコアを持つ試験のサブセットを、HCN(High Confidence Normal)として分類する。
論文 参考訳（メタデータ） (2023-06-28T11:34:42Z) - MedLens: Improve Mortality Prediction Via Medical Signs Selecting and
Regression [4.43322868663347]
データ品質の問題については文献では議論されていない。
我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。
精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
論文 参考訳（メタデータ） (2023-05-19T15:28:02Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - MOMO -- Deep Learning-driven classification of external DICOM studies
for PACS archivation [0.9498643829295902]
MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。
既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。
MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
論文 参考訳（メタデータ） (2021-12-01T17:16:41Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - Pediatric Automatic Sleep Staging: A comparative study of
state-of-the-art deep learning methods [16.651453507701966]
小児期自動睡眠ステージングにおける最先端の深層学習手法に関する大規模比較研究を行った。
1200人以上の子どものサンプルを評価するため、6つの異なる特徴を持つ深層ニューラルネットワークの選択が採用されている。
実験の結果,新しい被験者で評価した場合の自動睡眠ステージングの成績は,成人で報告された専門家レベルに匹敵することがわかった。
論文 参考訳（メタデータ） (2021-08-23T15:39:48Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳（メタデータ） (2020-06-15T21:01:33Z)
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。