Fugu-MT 論文翻訳(概要): Deep Learning with Information Fusion and Model Interpretation for Health Monitoring of Fetus based on Long-term Prenatal Electronic Fetal Heart Rate Monitoring Data

論文の概要: Deep Learning with Information Fusion and Model Interpretation for Health Monitoring of Fetus based on Long-term Prenatal Electronic Fetal Heart Rate Monitoring Data

arxiv url: http://arxiv.org/abs/2401.15337v1
Date: Sat, 27 Jan 2024 07:59:54 GMT
ステータス: 処理完了
システム内更新日: 2024-01-30 18:54:00.042004
Title: Deep Learning with Information Fusion and Model Interpretation for Health Monitoring of Fetus based on Long-term Prenatal Electronic Fetal Heart Rate Monitoring Data
Title（参考訳）: 長期出生前電子胎児心拍モニタリングデータに基づく胎児の健康モニタリングのための情報融合とモデル解釈による深層学習
Authors: Zenghui Lin, Xintong Liu, Nan Wang, Ruichen Li, Qingao Liu, Jingying Ma, Liwei Wang, Yan Wang, Shenda Hong
Abstract要約: 本研究では,連続FHRモニタリングのためのLARA(Long-term Antepartum Risk Analysis System)という自動分析システムを開発した。 LARAのコアは、確立された畳み込みニューラルネットワーク(CNN)モデルである。長期FHRデータを入力として処理し、分析結果としてリスク分散マップ(RDM)とリスク指標(RI)を生成する。
参考スコア（独自算出の注目度）: 24.955121216437963
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Long-term fetal heart rate (FHR) monitoring during the antepartum period, increasingly popularized by electronic FHR monitoring, represents a growing approach in FHR monitoring. This kind of continuous monitoring, in contrast to the short-term one, collects an extended period of fetal heart data. This offers a more comprehensive understanding of fetus's conditions. However, the interpretation of long-term antenatal fetal heart monitoring is still in its early stages, lacking corresponding clinical standards. Furthermore, the substantial amount of data generated by continuous monitoring imposes a significant burden on clinical work when analyzed manually. To address above challenges, this study develops an automatic analysis system named LARA (Long-term Antepartum Risk Analysis system) for continuous FHR monitoring, combining deep learning and information fusion methods. LARA's core is a well-established convolutional neural network (CNN) model. It processes long-term FHR data as input and generates a Risk Distribution Map (RDM) and Risk Index (RI) as the analysis results. We evaluate LARA on inner test dataset, the performance metrics are as follows: AUC 0.872, accuracy 0.816, specificity 0.811, sensitivity 0.806, precision 0.271, and F1 score 0.415. In our study, we observe that long-term FHR monitoring data with higher RI is more likely to result in adverse outcomes (p=0.0021). In conclusion, this study introduces LARA, the first automated analysis system for long-term FHR monitoring, initiating the further explorations into its clinical value in the future.
Abstract（参考訳）: 遠隔期における胎児心拍数(FHR)の長期モニタリングは,電子的FHRモニタリングによってますます普及している。このような継続的なモニタリングは、短期的なモニタリングとは対照的に、胎児の心臓データを長期間収集する。これは胎児の状態をより包括的に理解する。しかし、長期間の胎児心臓モニタリングの解釈はまだ初期段階にあり、対応する臨床基準が欠如している。さらに, 連続モニタリングによって生成されたデータ量は, 手動で解析した場合, 臨床作業に多大な負担を負う。そこで本研究では,fhr連続モニタリングのためのlara (long-term antepartum risk analysis system) と呼ばれる自動解析システムを開発した。 LARAのコアは、確立された畳み込みニューラルネットワーク(CNN)モデルである。長期FHRデータを入力として処理し、分析結果としてリスク分散マップ(RDM)とリスク指標(RI)を生成する。 AUC 0.872,精度0.816,特異度0.811,感度0.806,精度0.271,F1スコア0.415。本研究では, RI値の高い長期FHRモニタリングデータが, 有害な結果をもたらす可能性が示唆された(p=0.0021)。結論として, 長期FHRモニタリングのための最初の自動分析システムであるLARAを導入し, 将来的な臨床的価値を探究する。

関連論文リスト

FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文参考訳（メタデータ） (2024-10-28T02:24:01Z)
A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular Diseases Detection [0.0]
世界的には、心臓血管疾患(CVD)が主な死因であり、毎年1790万人が死亡している。重要な臨床目的の1つは、心電図(ECG)データによるCVDの早期検出である。機械学習とディープラーニングに基づく最近の進歩は、この分野において大きな進歩を遂げている。
論文参考訳（メタデータ） (2023-11-20T10:57:11Z)
Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文参考訳（メタデータ） (2023-10-24T02:56:05Z)
ICU Mortality Prediction Using Long Short-Term Memory Networks [0.0]
我々はElectronic Health Records(EHRs)から得られた大量の時間データを解析する自動データ駆動システムを実装した。我々は,院内死亡率とLOS(Longth of Stay)を早期に予測するために,高レベル情報を抽出する。実世界の予測エンジン構築のための厳密な時系列測定によるLSTMモデルの効率性について実験を行った。
論文参考訳（メタデータ） (2023-08-18T09:44:47Z)
Deep learning based non-contact physiological monitoring in Neonatal Intensive Care Unit [5.000608788438847]
本研究はNICUセットアップのビデオから心肺信号の遠隔推定のためのパイプラインを提案する。我々は,SGTラベルを生成するために,非学習に基づくアプローチを統合するエンド・ツー・エンドのディープラーニング(DL)モデルを提案した。
論文参考訳（メタデータ） (2022-07-25T03:19:16Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
Deep artificial neural network for prediction of atrial fibrillation through the analysis of 12-leads standard ECG [0.0]
心房細動(Atrial Fibrillation,AF)は心臓不整脈である。畳み込みニューラルネットワークを用いてECGを分析し,現実的なデータセットからAFを予測する。
論文参考訳（メタデータ） (2022-01-14T10:09:01Z)
Understanding Heart-Failure Patients EHR Clinical Features via SHAP Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
心不全(Heart failure, HF)は、死因の一つ。機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
論文参考訳（メタデータ） (2021-03-20T22:17:05Z)
Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文参考訳（メタデータ） (2020-07-20T19:08:50Z)
Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文参考訳（メタデータ） (2020-07-16T17:43:13Z)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。