論文の概要: Charting the COVID Long Haul Experience -- A Longitudinal Exploration of
Symptoms, Activity, and Clinical Adherence
- arxiv url: http://arxiv.org/abs/2402.04937v1
- Date: Wed, 7 Feb 2024 15:15:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 15:05:53.267555
- Title: Charting the COVID Long Haul Experience -- A Longitudinal Exploration of
Symptoms, Activity, and Clinical Adherence
- Title（参考訳）: covid long haul experience(covid-19)のグラフ化 -- 症状・活動・臨床付着の経時的調査-
- Authors: Jessica Pater, Shaan Chopra, Juliette Zaccour, Jeanne Carroll, Fayika
Farhat Nova, Tammy Toscos, Shion Guha, Fen Lei Chang
- Abstract要約: COVID Long Haul(CLH)は、様々な患者経験を持つ新興の慢性疾患である。
CLHの特異性について,14例のCLH患者を対象に3ヶ月のコホート調査を行った。
以上の結果より, CLHの症状, 関連する不確実性, およびその後のCLHが患者の個人的および専門的生活に与える影響が示唆された。
- 参考スコア（独自算出の注目度）: 10.40477233014427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: COVID Long Haul (CLH) is an emerging chronic illness with varied patient
experiences. Our understanding of CLH is often limited to data from electronic
health records (EHRs), such as diagnoses or problem lists, which do not capture
the volatility and severity of symptoms or their impact. To better understand
the unique presentation of CLH, we conducted a 3-month long cohort study with
14 CLH patients, collecting objective (EHR, daily Fitbit logs) and subjective
(weekly surveys, interviews) data. Our findings reveal a complex presentation
of symptoms, associated uncertainty, and the ensuing impact CLH has on
patients' personal and professional lives. We identify patient needs,
practices, and challenges around adhering to clinical recommendations, engaging
with health data, and establishing "new normals" post COVID. We reflect on the
potential found at the intersection of these various data streams and the
persuasive heuristics possible when designing for this new population and their
specific needs.
- Abstract（参考訳）: COVID Long Haul(CLH)は、様々な患者経験を持つ新興の慢性疾患である。
CLHに対する我々の理解は、診断や問題リストなどの電子健康記録(EHR)のデータに限られており、症状のボラティリティや重症度やその影響を捉えていない。
CLHのユニークなプレゼンテーションをより深く理解するため,14人のCLH患者を対象に3ヶ月にわたるコホート調査を行い,対象(EHR,日次Fitbitログ)と主観的(週次調査,インタビュー)データを収集した。
以上の結果より, CLHの症状, 関連する不確実性, およびその後のCLHが患者の個人的および専門的生活に与える影響が示唆された。
我々は、患者のニーズ、習慣、および臨床推奨事項の遵守、健康データへの関与に関する課題を特定し、新型コロナウイルス後の「新しい正常」を確立する。
我々は、これらの様々なデータストリームの交差点で見られる可能性と、この新しい人口とそれらの特定のニーズのために設計できる説得的ヒューリスティックを反映する。
関連論文リスト
- Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。
われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
論文 参考訳（メタデータ） (2024-05-02T09:41:31Z) - Pain Forecasting using Self-supervised Learning and Patient Phenotyping:
An attempt to prevent Opioid Addiction [0.3749861135832073]
シックル細胞病(Sickle Cell Disease)を治療するためには、将来の患者の痛みの軌跡を予測することが不可欠である。
主に患者の自己申告によって記録されるので,多くの痛み記録を入手して予測モデルを設計することは困難である。
本稿では、時系列データをクラスタリングするための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-09T18:31:50Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Integrated Convolutional and Recurrent Neural Networks for Health Risk
Prediction using Patient Journey Data with Many Missing Values [9.418011774179794]
本稿では,統合畳み込みニューラルネットワークとリカレントニューラルネットワークを用いたEMH患者旅行データモデリングのためのエンドツーエンドアプローチを提案する。
本モデルでは,各患者旅行における長期的・短期的時間的パターンを抽出し,インパルスデータ生成を伴わずに,高レベルのEHRデータの欠落を効果的に処理することができる。
論文 参考訳（メタデータ） (2022-11-11T07:36:18Z) - Analyzing historical diagnosis code data from NIH N3C and RECOVER
Programs using deep learning to determine risk factors for Long Covid [0.5058404769410755]
SARS-CoV-2感染症(PASC)やLong COVID(Long COVID)の急性後遺症が流行している。
そこで我々は,National COVID Cohort Collectiveから過去の診断コードデータを分析するための,解釈可能なディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-10-05T18:10:01Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - Phenotyping Clusters of Patient Trajectories suffering from Chronic
Complex Disease [3.1564542805009332]
当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。
本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
論文 参考訳（メタデータ） (2020-11-17T01:18:33Z) - 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。