論文の概要: Towards an educational tool for supporting neonatologists in the delivery room

• arxiv url: http://arxiv.org/abs/2403.06843v1
• Date: Mon, 11 Mar 2024 16:03:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 18:25:52.992069
• Title: Towards an educational tool for supporting neonatologists in the delivery room
• Title（参考訳）: 納入室における新生児科医支援のための教育ツールの開発
• Authors: Giorgio Leonardi, Clara Maldarizzi, Stefania Montani, Manuel Striani, Mariachiara Martina Strozzi
• Abstract要約: 本稿では,リスク要因と実際のデータから発生イベントに与える影響を識別する機械学習手法を提案する。 我々の最終目標は、高リスク患者に対する適切な介入の認識率と計画を改善することができる、ユーザフレンドリーなモバイルアプリを設計することです。
• 参考スコア（独自算出の注目度）: 0.26999000177990923
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nowadays, there is evidence that several factors may increase the risk, for an infant, to require stabilisation or resuscitation manoeuvres at birth. However, this risk factors are not completely known, and a universally applicable model for predicting high-risk situations is not available yet. Considering both these limitations and the fact that the need for resuscitation at birth is a rare event, periodic training of the healthcare personnel responsible for newborn caring in the delivery room is mandatory. In this paper, we propose a machine learning approach for identifying risk factors and their impact on the birth event from real data, which can be used by personnel to progressively increase and update their knowledge. Our final goal will be the one of designing a user-friendly mobile application, able to improve the recognition rate and the planning of the appropriate interventions on high-risk patients.
• Abstract（参考訳）: 今日では、乳児が出生時に安定または蘇生のマニピュアを必要とするリスクを増加させる要因がいくつかあるという証拠がある。 しかし、このリスク要因は完全には分かっておらず、リスクの高い状況を予測するための普遍的適用モデルはまだ入手できない。 これらの限界と出生時の蘇生の必要性の両方を考慮すれば, 産院における新生児介護を担当する医療従事者の定期的な研修は必須である。 本稿では,リスク要因の同定と,実際のデータから発生イベントへの影響を明らかにする機械学習手法を提案する。 我々の最終目標は、高リスク患者に対する適切な介入の認識率と計画を改善することができるユーザフレンドリーなモバイルアプリを設計することです。

関連論文リスト

• 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)
• Interpretable Predictive Models to Understand Risk Factors for Maternal and Fetal Outcomes [17.457683367235536]
  妊娠合併症の危険因子として, 重度の母性不妊症, 肩関節ジストシア, 妊娠前, 産科の4種類を同定し, 検討した。 我々は,ガラス箱の高精度な学習手法である説明可能なブースティングマシン(EBM)を用いて,重要な危険因子の予測と同定を行う。
  論文  参考訳（メタデータ） (2023-10-16T09:17:10Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and Human-AI Collaboration [8.36613277875556]
  高リスク妊娠(英: High-risk pregnant)は、母親や乳児の結果に悪影響を及ぼす要因によって複雑な妊娠である。 本研究は、合併症のリスクがある妊婦の特定において、ケアマネージャを支援するための現実のMLベースのシステムの実装を提案する。
  論文  参考訳（メタデータ） (2023-05-26T21:08:49Z)
• Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
  本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。 死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
  論文  参考訳（メタデータ） (2022-07-06T19:49:42Z)
• An explainable Transformer-based deep learning model for the prediction of incident heart failure [22.513476932615845]
  100,071例の心不全予後予測のための新しいTransformerディープラーニングモデルを開発した。 このモデルは、レシーバーオペレーター曲線で 0.93 と 0.93 の領域、精度-リコール曲線で 0.69 と 0.70 の領域を達成した。 文脈化医療情報の重要さは感度分析において明らかにされた。
  論文  参考訳（メタデータ） (2021-01-27T12:45:15Z)
• The Influences of Pre-birth Factors in Early Assessment of Child Mortality using Machine Learning Techniques [0.4817429789586127]
  本研究は、出生前要因である出生前履歴、母性歴史、再生履歴、社会経済状態等を、児童死亡率の分類に取り入れることを目的とする。 4つの機械学習アルゴリズムが小児死亡率の分類のために評価されている。 その結果, 小児死亡率の分類においてAUCスコア0.947を達成し, 臨床基準より優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-11-18T20:37:55Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• Machine Intelligence for Outcome Predictions of Trauma Patients During Emergency Department Care [0.0]
  外傷死亡は, 患者人口, 外傷特性, 医療提供, 医療施設の特徴など, 多数の非線形依存型リスク要因から生じる。 我々は、移動学習に基づく機械学習アルゴリズムが、限定回帰モデル基準に頼ることなく、死亡リスクの高い個人を正確に識別できると仮定した。 本モデルは, 年齢別比較モデルにおいて同様の性能を示し, 全年齢に同時に適用した場合によく一般化した。
  論文  参考訳（メタデータ） (2020-09-08T17:26:34Z)

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。