論文の概要: Assessing Patient Eligibility for Inspire Therapy through Machine Learning and Deep Learning Models

• arxiv url: http://arxiv.org/abs/2402.01067v1
• Date: Thu, 1 Feb 2024 23:53:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 17:44:03.472148
• Title: Assessing Patient Eligibility for Inspire Therapy through Machine Learning and Deep Learning Models
• Title（参考訳）: 機械学習と深層学習モデルによるインスピレーション療法の患者適性の評価
• Authors: Mohsena Chowdhury, Tejas Vyas, Rahul Alapati, Andr\'es M Bur, Guanghui Wang
• Abstract要約: インスパイア療法(Inspire therapy)は、FDAが承認した閉塞性睡眠時無呼吸症の内的神経刺激療法である。 全ての患者がこの治療に反応するわけではなく、経験豊富な耳鼻咽喉科医でさえ候補を決定するのが困難である。 本稿では,機械学習と深層学習の両手法を併用して,インスパイア療法に対する患者反応を識別する試みを初めて行った。
• 参考スコア（独自算出の注目度）: 4.4048801693309825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspire therapy is an FDA-approved internal neurostimulation treatment for obstructive sleep apnea. However, not all patients respond to this therapy, posing a challenge even for experienced otolaryngologists to determine candidacy. This paper makes the first attempt to leverage both machine learning and deep learning techniques in discerning patient responsiveness to Inspire therapy using medical data and videos captured through Drug-Induced Sleep Endoscopy (DISE), an essential procedure for Inspire therapy. To achieve this, we gathered and annotated three datasets from 127 patients. Two of these datasets comprise endoscopic videos focused on the Base of the Tongue and Velopharynx. The third dataset composes the patient's clinical information. By utilizing these datasets, we benchmarked and compared the performance of six deep learning models and five classical machine learning algorithms. The results demonstrate the potential of employing machine learning and deep learning techniques to determine a patient's eligibility for Inspire therapy, paving the way for future advancements in this field.
• Abstract（参考訳）: inspire therapyは、閉塞性睡眠時無呼吸に対するfdaが承認した内部神経刺激療法である。 しかし、全ての患者がこの治療に反応するわけではないため、経験豊富な耳鼻咽喉科医が候補を決定することは困難である。 本稿では, 薬物誘発睡眠内視鏡(dise)で撮影された医療データとビデオを用いて, 患者応答性を見極めるために, 機械学習と深層学習技術の両方を活用した最初の試みを行う。 これを実現するため,127名の患者から3つのデータセットを収集し,注釈を付けた。 これら2つのデータセットは舌底と鼻咽頭に焦点をあてた内視鏡的ビデオで構成されている。 第3のデータセットは、患者の臨床情報を構成する。 これらのデータセットを利用して、6つのディープラーニングモデルと5つの古典的機械学習アルゴリズムのパフォーマンスをベンチマークして比較した。 以上の結果から,機械学習と深層学習を応用して患者のインスパイア療法の適性を判断し,今後の進歩への道を開く可能性が示唆された。

関連論文リスト

• Resolving Domain Shift For Representations Of Speech In Non-Invasive Brain Recordings [3.5297361401370044]
  脳磁図(MEG)を用いた非侵襲的データ収集に焦点を当てた。 私たちの知る限りでは、この研究はMEGニューロイメージングデータに基づく機能レベルの深層学習の初めての応用である。
  論文  参考訳（メタデータ） (2024-10-25T21:56:23Z)
• A Medical Low-Back Pain Physical Rehabilitation Dataset for Human Body Movement Analysis [0.6990493129893111]
  本稿では,低背痛リハビリテーションを施行した臨床患者の医療データセットについて,4つの課題に対処し,提案する。 データセットには、3D Kinectスケルトンの位置と向き、RGBビデオ、2Dスケルトンデータ、正確性を評価するための医用アノテーション、身体部分とタイムパンのエラー分類とローカライゼーションが含まれている。
  論文  参考訳（メタデータ） (2024-06-29T19:50:06Z)
• Enhancing Readmission Prediction with Deep Learning: Extracting Biomedical Concepts from Clinical Texts [0.26813152817733554]
  本研究は,30日以内の患者の寛解をテキストマイニング技術を用いて予測することに焦点を当てた。 この目的のために分類モデルを開発するために,様々な機械学習および深層学習手法が用いられた。
  論文  参考訳（メタデータ） (2024-03-12T09:03:44Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Deep Attention Q-Network for Personalized Treatment Recommendation [1.6631602844999724]
  パーソナライズされた治療レコメンデーションのためのDeep Attention Q-Networkを提案する。 深い強化学習フレームワーク内のTransformerアーキテクチャは、過去のすべての患者の観察を効率的に取り入れている。 実世界の敗血症と急性低血圧コホートにおけるモデルの評価を行い、最先端モデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-07-04T07:00:19Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Transfer Learning in Electronic Health Records through Clinical Concept Embedding [0.0]
  我々は,3100万人の患者から得られた包括的EHRデータに基づいて,最も顕著な疾患埋め込み技術を訓練することを目指している。 本研究は,臨床概念埋込み評価のための総合的アプローチとしては初めてである。
  論文  参考訳（メタデータ） (2021-07-27T16:22:02Z)
• Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
  我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。 そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。 新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
  論文  参考訳（メタデータ） (2020-07-31T14:34:35Z)

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。