論文の概要: Needles in Needle Stacks: Meaningful Clinical Information Buried in Noisy Waveform Data

• arxiv url: http://arxiv.org/abs/2409.00041v1
• Date: Sun, 18 Aug 2024 15:45:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-08 15:40:57.109508
• Title: Needles in Needle Stacks: Meaningful Clinical Information Buried in Noisy Waveform Data
• Title（参考訳）: ニードルスタックの針:ノイズ波形データに埋もれた有意義な臨床情報
• Authors: Sujay Nagaraj, Andrew J. Goodwin, Dmytro Lopushanskyy, Danny Eytan, Robert W. Greer, Sebastian D. Goodfellow, Azadeh Assadi, Anand Jayarajan, Anna Goldenberg, Mjaye L. Mazwi,
• Abstract要約: セントラル・ベナス線(C-Lines)とアーテリアル線(A-Lines)は、クリティカル・ケア・ユニット(Critical Care Unit)で日常的に使用されている。 過剰利用は、院内死亡率と死亡率に大きく関連している。 ドキュメントの現在のゴールドスタンダードはマニュアルであり、エラー、欠落、偏見を被っている。 我々は、波形データからこれらのアーティファクトをリアルタイムで検出できる機械学習(ML)モデルに焦点を当てる。
• 参考スコア（独自算出の注目度）: 5.919160784995814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Central Venous Lines (C-Lines) and Arterial Lines (A-Lines) are routinely used in the Critical Care Unit (CCU) for blood sampling, medication administration, and high-frequency blood pressure measurement. Judiciously accessing these lines is important, as over-utilization is associated with significant in-hospital morbidity and mortality. Documenting the frequency of line-access is an important step in reducing these adverse outcomes. Unfortunately, the current gold-standard for documentation is manual and subject to error, omission, and bias. The high-frequency blood pressure waveform data from sensors in these lines are often noisy and full of artifacts. Standard approaches in signal processing remove noise artifacts before meaningful analysis. However, from bedside observations, we characterized a distinct artifact that occurs during each instance of C-Line or A-Line use. These artifacts are buried amongst physiological waveform and extraneous noise. We focus on Machine Learning (ML) models that can detect these artifacts from waveform data in real-time - finding needles in needle stacks, in order to automate the documentation of line-access. We built and evaluated ML classifiers running in real-time at a major children's hospital to achieve this goal. We demonstrate the utility of these tools for reducing documentation burden, increasing available information for bedside clinicians, and informing unit-level initiatives to improve patient safety.
• Abstract（参考訳）: 中心静脈線(C-Lines)と動脈線(A-Lines)は、血液採取、薬物投与、高周波血圧測定のために、CCU(Critical Care Unit)で日常的に使用されている。 過剰利用は宿主の死亡率と死亡率に大きく関連しているため、これらの線に司法アクセスすることが重要である。 行アクセス頻度の文書化は、これらの有害な結果を減らすための重要なステップである。 残念ながら、現在のドキュメントのゴールドスタンダードはマニュアルであり、エラー、欠落、偏見を被っている。 これらのラインのセンサーからの高周波の血圧波形データは、しばしばノイズが多く、人工物でいっぱいです。 信号処理における標準的なアプローチは、意味のある分析の前にノイズアーティファクトを除去する。 しかし,ベッドサイドの観察から,C-LineおよびA-Line使用のそれぞれの症例で発生する別個のアーティファクトを特徴付けることができた。 これらの人工物は生理的な波形と外ノイズに埋もれている。 我々は、線アクセスのドキュメントを自動化するために、これらのアーティファクトを波形データからリアルタイムで検出できる機械学習(ML)モデルに焦点を当てている。 この目的を達成するため,大手小児病院でリアルタイムにML分類器を構築し,評価した。 本報告では,これらのツールの有用性について,文書の負担軽減,ベッドサイド臨床医の利用可能な情報の増加,患者の安全性向上のための単位レベルイニシアチブの実施について紹介する。

関連論文リスト

• Informed Deep Abstaining Classifier: Investigating noise-robust training for diagnostic decision support systems [0.7497462432118391]
  ディープラーニングは、画像に基づく診断決定支援システムの最適化に使用することができる。 Informed Deep Abstaining (IDAC) システムは、トレーニング中にノイズレベルの推定を組み込むことで、ノイズロスのDeep Abstaining (DAC) 損失を増大させる。 これらの知見は、テキストベースのトランスフォーマーを用いて、大学病院ボンの臨床システムからラベルを抽出した、社内ノイズデータセットで再現される。
  論文  参考訳（メタデータ） (2024-10-28T13:36:57Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• VAE-IF: Deep feature extraction with averaging for fully unsupervised artifact detection in routinely acquired ICU time-series [1.9665926763554147]
  本稿では,事前のラベル付けや信号固有知識を使わずに,微細分解能ICUデータ中のアーティファクトを検出するための,教師なしの手法を提案する。 本手法では,変分オートエンコーダ (VAE) と孤立林 (IF) をハイブリッドモデルに組み合わせて特徴を学習し,異常を同定する。 我々の教師なしアプローチは、完全に教師付きされた手法に匹敵する感度を達成し、外部データセットによく当てはまることを示す。
  論文  参考訳（メタデータ） (2023-12-10T18:03:40Z)
• Transfer Learning for Real-time Deployment of a Screening Tool for Depression Detection Using Actigraphy [8.430502131775722]
  本稿では,利用者のアクチグラフィーデータに基づいて,うつ病スクリーニングツールをリアルタイムに展開するために,二次データセットに基づいて訓練されたモデルから移行学習に基づくアプローチを提案する。 プライマリセット上で行った1つの横断検証アプローチの修正版では平均精度が0.96となり、各プライマリセットからのデータはテストのために別々に設定された。
  論文  参考訳（メタデータ） (2023-03-14T12:37:22Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Hybrid Artifact Detection System for Minute Resolution Blood Pressure Signals from ICU [1.8374319565577155]
  本稿では, 変分オートエンコーダと統計的検出成分を組み合わせたハイブリッド人工物検出システムについて検討する。 予備的な結果は,90%を超える感度と特異度を連続的に達成できることを示唆している。
  論文  参考訳（メタデータ） (2022-03-11T14:36:52Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)

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。