論文の概要: System and Method to Determine ME/CFS and Long COVID Disease Severity Using a Wearable Sensor
- arxiv url: http://arxiv.org/abs/2404.04345v1
- Date: Fri, 5 Apr 2024 18:29:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 23:27:22.517352
- Title: System and Method to Determine ME/CFS and Long COVID Disease Severity Using a Wearable Sensor
- Title（参考訳）: ウェアラブルセンサを用いたME/CFSおよび長大ウイルス病重症度判定システムと方法
- Authors: Yifei Sun, Suzanne D. Vernon, Shad Roundy,
- Abstract要約: 人が直立して過ごす時間は、床に足を置く垂直な下肢と定義され、ME/CFS病の重症度と強く相関する。
我々は、足首に取り付けられた1つの商業慣性測定装置(IMU)を使用して、人が直立する1日あたりの時間の割合を計算します。
また,Long COVIDはME/CFSと症状を共有しているため,この方法を用いてLong COVIDの重症度を判定する。
- 参考スコア（独自算出の注目度）: 2.0088584333286086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: We present a simple parameter, calculated from a single wearable sensor, that can be used to objectively measure disease severity in people with myalgic encephalomyelitis/chronic fatigue syndrome (ME/CFS) or Long COVID. We call this parameter UpTime. Methods: Prior research has shown that the amount of time a person spends upright, defined as lower legs vertical with feet on the floor, correlates strongly with ME/CFS disease severity. We use a single commercial inertial measurement unit (IMU) attached to the ankle to calculate the percentage of time each day that a person spends upright (i.e., UpTime) and number of Steps/Day. As Long COVID shares symptoms with ME/CFS, we also apply this method to determine Long COVID disease severity. We performed a trial with 55 subjects broken into three cohorts, healthy controls, ME/CFS, and Long COVID. Subjects wore the IMU on their ankle for a period of 7 days. UpTime and Steps/Day were calculated each day and results compared between cohorts. Results: UpTime effectively distinguishes between healthy controls and subjects diagnosed with ME/CFS ($\mathbf{p = 0.00004}$) and between healthy controls and subjects diagnosed with Long COVID ($\mathbf{p = 0.01185}$). Steps/Day did distinguish between controls and subjects with ME/CFS ($\mathbf{p = 0.01}$) but did not distinguish between controls and subjects with Long COVID ($\mathbf{p = 0.3}$). Conclusion: UpTime is an objective measure of ME/CFS and Long COVID severity. UpTime can be used as an objective outcome measure in clinical research and treatment trials. Significance: Objective assessment of ME/CFS and Long COVID disease severity using UpTime could spur development of treatments by enabling the effect of those treatments to be easily measured.
- Abstract（参考訳）: 目的: 筋萎縮性脳脊髄炎・慢性疲労症候群(ME/CFS)またはLong COVID(Long COVID)患者の重症度を客観的に測定するために, 単一ウェアラブルセンサから算出した簡易パラメータを提案する。
私たちはこのパラメータをUpTimeと呼びます。
方法: 前の研究は、人が直立する時間、つまり床に足を置く垂直な下肢と定義される時間は、ME/CFSの重症度と強く相関していることを示した。
足首に装着した1つの商業慣性測定器(IMU)を用いて、直立時間(UpTime)とステップ/デイ数(Steps/Day)の1日あたりの時間の割合を計算する。
また,Long COVIDはME/CFSと症状を共有しているため,この方法を用いてLong COVIDの重症度を判定する。
55名の被験者を3つのコホート、健康管理、ME/CFS、Long COVIDに分けて臨床試験を行った。
被験者は7日間、足首にIMUを装着した。
UpTimeとSteps/Dayは毎日計算され、コホートと比較された。
結果:UpTimeは、ME/CFS(\mathbf{p = 0.00004}$)とLong COVID(\mathbf{p = 0.01185}$)とを効果的に区別する。
Steps/DayはME/CFS(\mathbf{p = 0.01}$)のコントロールと被験者を区別したが、Long COVID(\mathbf{p = 0.3}$)のコントロールと被験者を区別しなかった。
結論:UpTimeはME/CFSとLong COVID Severityの客観的指標である。
UpTimeは、臨床研究および治療治験における客観的な結果尺度として使用できる。
意義:UpTime を用いた ME/CFS と Long COVID 病重症度の客観的評価は,これらの治療の効果を測定しやすくすることで治療の進展を促す可能性がある。
関連論文リスト
- Longitudinal Segmentation of MS Lesions via Temporal Difference Weighting [2.0168790328644697]
本稿では,ベースラインとフォローアップスキャンの時間的差を,差分重みブロックと呼ばれるユニークなアーキテクチャ的帰納バイアスによって明示的に取り込む新しい手法を提案する。
本研究は,2つのデータセットにまたがる最先端の縦・単点モデルと比較して,病変のセグメンテーションおよび病変検出において優れたスコアを得る。
論文 参考訳（メタデータ） (2024-09-20T11:30:54Z) - CodaMal: Contrastive Domain Adaptation for Malaria Detection in Low-Cost Microscopes [51.5625352379093]
マラリアは世界中で大きな問題であり、診断には低コストの顕微鏡(LCM)で効果的に動作するスケーラブルなソリューションが必要である。
ディープラーニングに基づく手法は、顕微鏡画像からコンピュータ支援による診断に成功している。
これらの方法には、マラリア原虫の感染した細胞とその生活段階を示す注釈画像が必要である。
LCMからの注記画像は、高精細顕微鏡(HCM)からの注記画像と比較して医療専門家の負担を著しく増大させる
論文 参考訳（メタデータ） (2024-02-16T06:57:03Z) - Predicting Outcomes in Long COVID Patients with Spatiotemporal Attention [0.6091702876917281]
ロングウイルス(Long COVID-19)は、新型コロナウイルス(COVID-19)の後継の一般的な用語である。
新型コロナウイルスの深刻な長期合併症でコホートを特定すれば、治療計画や資源確保に役立つ可能性がある。
時系列データから結果を予測するのは難しい。
時間次元と特徴空間から重み付けする時間的注意機構の提案
論文 参考訳（メタデータ） (2023-07-07T19:38:45Z) - Causal Discovery on the Effect of Antipsychotic Drugs on Delirium
Patients in the ICU using Large EHR Dataset [1.278093617645299]
集中治療室(ICU)の約80%の症例でデリリウムが発生する
デリリウムにはバイオマーカーによる診断がなく、一般的に抗精神病薬(APD)で治療されている。
複数の研究が、デリリウム治療におけるAPDの有効性や安全性について論争を呼んでいる。
論文 参考訳（メタデータ） (2022-04-28T21:43:02Z) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳（メタデータ） (2022-01-29T13:45:39Z) - FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality
Brain Image Synthesis [55.939957482776194]
我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。
FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。
FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
論文 参考訳（メタデータ） (2022-01-22T02:50:29Z) - Gait Characterization in Duchenne Muscular Dystrophy (DMD) Using a
Single-Sensor Accelerometer: Classical Machine Learning and Deep Learning
Approaches [4.299564636561119]
腰輪式iPhone加速度計を用いて, 縦, 縦, 後部加速度を測定した。
当科では,DMDとTD児の鑑別に複数の機械学習アプローチを応用し,顎口腔領域の歩行臨床的特徴(CFs)を抽出した。
論文 参考訳（メタデータ） (2021-05-12T07:06:57Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Deep Learning for Automatic Spleen Length Measurement in Sickle Cell
Disease Patients [1.739079346425631]
シックル細胞病(Sickle Cell Disease, SCD)は、世界で最も一般的な遺伝疾患の一つである。
脾臓の大きさを測定するための現在のワークフローには、おそらく2次元超音波画像における手動長さ測定が続く。
超音波画像から脾臓の長さを自動的に推定する深層学習法について検討した。
論文 参考訳（メタデータ） (2020-09-06T10:47:49Z) - Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。
具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。
次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文 参考訳（メタデータ） (2020-07-13T20:05:19Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z)
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。