論文の概要: Multimodal deep learning approach to predicting neurological recovery
from coma after cardiac arrest
- arxiv url: http://arxiv.org/abs/2403.06027v1
- Date: Sat, 9 Mar 2024 22:29:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 09:13:02.532343
- Title: Multimodal deep learning approach to predicting neurological recovery
from coma after cardiac arrest
- Title（参考訳）: マルチモーダル深層学習による心停止後のコーマからの神経学的回復の予測
- Authors: Felix H. Krones, Ben Walker, Guy Parsons, Terry Lyons, Adam Mahdi
- Abstract要約: 本研究の目的は,臨床データと多チャンネル脳波,心電図などの時系列データを用いて,心停止後のコマから神経学的回復を予測することである。
提案したモデルでは,自然循環復帰後,72ドル(約7,200円)の予測を行うために,隠れテストセットで0.53ドル(約5,800円)のスコアを得た。
- 参考スコア（独自算出の注目度）: 2.374912052693646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work showcases our team's (The BEEGees) contributions to the 2023 George
B. Moody PhysioNet Challenge. The aim was to predict neurological recovery from
coma following cardiac arrest using clinical data and time-series such as
multi-channel EEG and ECG signals. Our modelling approach is multimodal, based
on two-dimensional spectrogram representations derived from numerous EEG
channels, alongside the integration of clinical data and features extracted
directly from EEG recordings. Our submitted model achieved a Challenge score of
$0.53$ on the hidden test set for predictions made $72$ hours after return of
spontaneous circulation. Our study shows the efficacy and limitations of
employing transfer learning in medical classification. With regard to
prospective implementation, our analysis reveals that the performance of the
model is strongly linked to the selection of a decision threshold and exhibits
strong variability across data splits.
- Abstract（参考訳）: この研究は、2023年のGeorge B. Moody PhysioNet Challengeに対するチームの貢献(The BEEGees)を紹介します。
本研究の目的は,臨床データと多チャンネル脳波,心電図などの時系列データを用いて,心停止後の神経学的回復を予測することである。
脳波記録から直接抽出した臨床データと特徴の統合とともに,脳波チャネルから抽出した2次元スペクトログラム表現に基づくマルチモーダルなモデリング手法を提案する。
提案したモデルでは,自然循環復帰後,72ドルの予測を行うための隠れテストセットで0.53ドルのスコアを得た。
本研究は,医療分類における転校学習の有効性と限界を明らかにする。
予測的実装に関しては,モデルの性能が決定しきい値の選択と強く関連し,データ分割間で強い変動性を示すことが明らかとなった。
関連論文リスト
- CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。
提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文 参考訳（メタデータ） (2024-11-01T15:54:07Z) - MambaCapsule: Towards Transparent Cardiac Disease Diagnosis with Electrocardiography Using Mamba Capsule Network [16.562266471455672]
本稿では,ECG不整脈分類のためのディープニューラルネットワークであるMambaCapsuleを紹介する。
MambaCapsuleはテストセットでそれぞれ99.54%と99.59%の精度を達成した。
論文 参考訳（メタデータ） (2024-07-30T15:12:29Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:34:15Z) - Joint optimization of a $\beta$-VAE for ECG task-specific feature
extraction [1.3124513975412255]
説明可能な特徴抽出器として$beta$-variational autoencoders (VAEs) を用いた。
信号再構成と心機能予測を共同で最適化することにより,予測能力の向上を図る。
論文 参考訳（メタデータ） (2023-03-28T12:53:07Z) - MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type
Classification Using EEG [2.1915057426589746]
てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。
本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。
MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
論文 参考訳（メタデータ） (2022-11-09T01:07:20Z) - EEG-Based Epileptic Seizure Prediction Using Temporal Multi-Channel
Transformers [1.0970480513577103]
てんかんは最も一般的な神経疾患の1つで、てんかん発作と呼ばれる過渡期および未発症の事象を特徴とする。
脳波はてんかんの診断とモニタリングを補助的に行う方法である。
てんかん発作の予期せぬ性質を考えると、その予測は患者のケアを改善し、生活の質とてんかんの治療を最適化する。
論文 参考訳（メタデータ） (2022-09-18T03:03:47Z) - 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) - An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using
Multimodal Data [0.0]
頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。
提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
論文 参考訳（メタデータ） (2022-02-25T07:50:59Z) - 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) - 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)
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。