論文の概要: Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment

• arxiv url: http://arxiv.org/abs/2409.03180v1
• Date: Thu, 5 Sep 2024 02:14:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 22:18:11.420602
• Title: Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment
• Title（参考訳）: 家庭内呼吸器疾患のモニタリングと呼吸評価のための機械学習アルゴリズム
• Authors: Negar Orangi-Fard, Alexandru Bogdan, Hersh Sagreiya,
• Abstract要約: 本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。 健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。 ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
• 参考スコア（独自算出の注目度）: 45.104212062055424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Respiratory diseases impose a significant burden on global health, with current diagnostic and management practices primarily reliant on specialist clinical testing. This work aims to develop machine learning-based algorithms to facilitate at-home respiratory disease monitoring and assessment for patients undergoing continuous positive airway pressure (CPAP) therapy. Data were collected from 30 healthy adults, encompassing respiratory pressure, flow, and dynamic thoraco-abdominal circumferential measurements under three breathing conditions: normal, panting, and deep breathing. Various machine learning models, including the random forest classifier, logistic regression, and support vector machine (SVM), were trained to predict breathing types. The random forest classifier demonstrated the highest accuracy, particularly when incorporating breathing rate as a feature. These findings support the potential of AI-driven respiratory monitoring systems to transition respiratory assessments from clinical settings to home environments, enhancing accessibility and patient autonomy. Future work involves validating these models with larger, more diverse populations and exploring additional machine learning techniques.
• Abstract（参考訳）: 呼吸器疾患は世界的な健康に重大な負担を課し、現在の診断と管理の実践は主に専門的な臨床検査に依存している。 本研究の目的は,CPAP(Continuous positive airway pressure)治療中の患者の在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。 健常成人30名を対象に,正常,汎発,深呼吸の3つの呼吸条件下での呼吸圧,血流,胸腹部周囲のダイナミックな計測を行った。 ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。 ランダム森林分類器は,特に呼吸速度を特徴とする場合に,最も高い精度を示した。 これらの知見は、臨床環境から在宅環境へ呼吸評価を移行し、アクセシビリティと患者の自律性を高めるAI駆動型呼吸監視システムの可能性を支持する。 今後の研究では、これらのモデルをより大きく多様な集団で検証し、追加の機械学習技術を模索する。

関連論文リスト

• Real-Time Magnetic Tracking and Diagnosis of COVID-19 via Machine Learning [2.737411991771932]
  新型コロナウイルス(COVID-19)のパンデミックは、安定した公衆衛生介入のための信頼性の高い非侵襲的な診断ツールの重要性を浮き彫りにした。 本研究では、MRSTと機械学習(ML)を融合させて、新型コロナウイルスやその他の呼吸器疾患のリアルタイム追跡と診断のための診断プラットフォームを構築した。
  論文  参考訳（メタデータ） (2023-11-01T13:57:33Z)
• Respiratory Disease Classification and Biometric Analysis Using Biosignals from Digital Stethoscopes [3.2458203725405976]
  本研究は, 自動呼吸器疾患分類とバイオメトリックス解析にデジタル聴診器技術を活用した新しいアプローチを提案する。 各種呼吸状態の分類に機械学習モデルを訓練する。 本研究は,2値分類の精度(健康と疾患のバランス精度89%)と多値分類の精度(72%)を実現している。
  論文  参考訳（メタデータ） (2023-09-12T23:54:00Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• Machine Learning for Mechanical Ventilation Control (Extended Abstract) [52.65490904484772]
  機械的換気はICUで最も広く用いられている治療法の1つである。 人工呼吸器は、所定の気道圧の軌跡に従って患者の肺に空気を注入しなければならない。 データ駆動型アプローチは、人工呼吸器から収集したデータに基づいて訓練されたシミュレーターをトレーニングすることで、侵襲的人工呼吸器を制御することを学ぶ。 この方法は、一般的な強化学習アルゴリズムより優れており、PIDよりも正確で堅牢な物理的換気装置も制御できる。
  論文  参考訳（メタデータ） (2021-11-19T20:54:41Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• An Apparatus for the Simulation of Breathing Disorders: Physically Meaningful Generation of Surrogate Data [24.50116388903113]
  健常者における閉塞性および拘束性呼吸波形の両方をシミュレートする簡便かつ効果的な方法として,PVCチューブと3Dプリント部品からなる装置を提案する。 呼吸抵抗と呼吸抵抗の両方を独立に制御することで、FEV1/FVCの吸気比の全スペクトルを通して閉塞性呼吸障害をシミュレーションすることができる。 人工呼吸障害シミュレーション装置の使用による波形においても、吸気義務周期の変化やピークフローの変化などの呼吸障害の波形特性が観察される。
  論文  参考訳（メタデータ） (2021-09-14T14:00:37Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Early prediction of respiratory failure in the intensive care unit [1.8312530927511608]
  呼吸器系不全の早期予測は、呼吸器系不全のリスクを患者に警告する可能性がある。 本研究では,中等度/重度呼吸不全を事前に8時間まで予測する早期警報システムを提案する。
  論文  参考訳（メタデータ） (2021-05-12T15:20:09Z)
• A Multi-Modal Respiratory Disease Exacerbation Prediction Technique Based on a Spatio-Temporal Machine Learning Architecture [0.0]
  慢性閉塞性肺疾患や喘息などの慢性呼吸器疾患は深刻な健康危機である。 呼吸器症状の進行を評価する現在の方法は、主観的で不正確な、または複雑で面倒です。 本研究は、新しい時間的機械学習アーキテクチャに基づいて、PDなどの呼吸器疾患の悪化リスクを予測するためのマルチモーダルソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T05:24:53Z)

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。