論文の概要: CardioLab: Laboratory Values Estimation and Monitoring from Electrocardiogram Signals -- A Multimodal Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2411.14886v1
• Date: Fri, 22 Nov 2024 12:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:02:40.321977
• Title: CardioLab: Laboratory Values Estimation and Monitoring from Electrocardiogram Signals -- A Multimodal Deep Learning Approach
• Title（参考訳）: CardioLab: 心電図信号からの検査値の推定とモニタリング - マルチモーダルディープラーニングアプローチ
• Authors: Juan Miguel Lopez Alcaraz, Nils Strodthoff,
• Abstract要約: 我々はMIMIC-IVデータセットを用いてマルチモーダル深層学習モデルを構築し、推定(リアルタイム)と監視(将来の間隔での予測)実験値異常の可能性を示す。 AUROCスコアが0.70を超え、23の実験室値と26の観測室値に対して統計的に有意な精度で予測性能を示す。
• 参考スコア（独自算出の注目度）: 1.068128849363198
• License:
• Abstract: Background: Laboratory values are fundamental to medical diagnosis and management, but acquiring these values can be costly, invasive, and time-consuming. While electrocardiogram (ECG) patterns have been linked to certain laboratory abnormalities, the comprehensive modeling of these relationships remains underexplored. Methods: We utilize MIMIC-IV dataset to develop multimodal deep-learning models to demonstrate the feasibility of estimating (real-time) and monitoring (predict at future intervals) laboratory value abnormalities from ECG waveforms, demographics, biometrics, and vital signs. Results: The models exhibit a strong predictive performance with AUROC scores above 0.70 in a statistically significant manner for 23 laboratory values in the estimation setting and up to 26 values in the monitoring setting. Most notably, the accurately predictable values encompassing abnormalities across diverse physiological categories such as cardiac, renal, hematological, metabolic, immunological and coagulation. To name examples, for estimation NTproBNP (>353 pg/mL) with 0.882, whereas for monitoring at 30 minutes Urea nitrogen (<6 mg/dL) with 0.851, at 60 minutes creatinine (<0.5 mg/dL) with 0.85, and at 120 minutes hemoglobin (>17.5 g/dL) with 0.821. Conclusions: This study provides first evidence for the feasibility of using ECG data alongside clinical routine data for the real-time estimation and monitoring of laboratory value abnormalities, which could provide a non-invasive, cost-effective supplement to traditional laboratory testing, with strong implications for enhanced patient monitoring and early intervention. Further validation could facilitate their integration into routine clinical practice.
• Abstract（参考訳）: 背景: 臨床検査値は診断と管理に基本的なものであるが、これらの値を取得することはコスト、侵襲的、時間を要する可能性がある。 心電図(ECG)パターンは特定の実験室の異常と相関しているが、これらの関係の包括的モデリングは未解明のままである。 方法:MIMIC-IVデータセットを用いてマルチモーダル深層学習モデルを構築し,ECG波形,人口統計,バイオメトリックス,バイタルサインなどの実験値異常を推定(リアルタイム)し,監視(将来の間隔で予測)する可能性を示す。 結果:AUROCスコアが0.70以上であるモデルでは,23の実験室値,26の観測室値に対して統計的に有意な評価が得られた。 特に、正確に予測可能な値は、心臓、腎、血液学、代謝学、免疫学、凝固といった様々な生理学カテゴリーにまたがる異常を含んでいる。 例えば、NTproBNP (>353 pg/mL) を0.882で推定するのに対し、ウレア窒素 ((<6 mg/dL) を0.851で、クレアチニン ((<0.5 mg/dL) を0.185で、ヘモグロビン (>17.5 g/dL) を0.821で測定する。 結論: 本研究は, 心電図データと臨床ルーチンデータとを併用して, 臨床検査値異常のリアルタイム推定とモニタリングを行う可能性を示す最初の証拠を提供する。 さらなる検証は、定期的な臨床実践への統合を促進する可能性がある。

関連論文リスト

• Enhancing Glucose Level Prediction of ICU Patients through Irregular Time-Series Analysis and Integrated Representation [4.101915841246237]
  我々は,次のレベルを予測するための新しい学習モデルを開発し,低血糖,高血糖,高血糖に分類した。 本研究はICU患者における血糖値の予測に焦点をあてるが、MITSTは他の重要な事象予測タスクにも容易に拡張できる。
  論文  参考訳（メタデータ） (2024-11-03T03:03:11Z)
• Diagnostic Performance of Deep Learning for Predicting Gliomas' IDH and 1p/19q Status in MRI: A Systematic Review and Meta-Analysis [0.0]
  グリオーマは最も一般的な脳腫瘍である。 分子プロファイリングは診断、治療、予後に重要である。 本稿では,MRIを用いた深層学習モデルによるバイオマーカーの予測の有効性について検討する。
  論文  参考訳（メタデータ） (2024-10-28T13:39:52Z)
• CardioLab: Laboratory Values Estimation from Electrocardiogram Features -- An Exploratory Study [1.068128849363198]
  実験室の価値は医学診断の基盤となっているが、遅いターンアラウンド時間と高いコストに悩まされている。 変革の可能性にもかかわらず、この領域は医療コミュニティ内では比較的過小評価されている。 木質モデルを用いて,心電図の特徴と患者の人口動態から実験室値の推測が可能かを検討した。
  論文  参考訳（メタデータ） (2024-07-26T09:40:30Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• DeepCOVID-Fuse: A Multi-modality Deep Learning Model Fusing Chest X-Radiographs and Clinical Variables to Predict COVID-19 Risk Levels [8.593516170110203]
  DeepCOVID-Fuseは、新型コロナウイルス患者のリスクレベルを予測するディープラーニング融合モデルである。 CXRと臨床変数で訓練されたDeepCOVID-Fuseの精度は0.658であり、AUCは0.842である。
  論文  参考訳（メタデータ） (2023-01-20T20:54:25Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• All Data Inclusive, Deep Learning Models to Predict Critical Events in the Medical Information Mart for Intensive Care III Database (MIMIC III) [0.0]
  本研究は35,348人を対象に42,818人の入院患者を対象に行った。 複数のデータソースにわたる7500万以上のイベントが処理され、3億5500万以上のトークンが処理された。 すべてのデータソースを使用して構築されたモデルから、はるかに信頼性が高く、信頼性の高いホスピタル死亡を予測できる。
  論文  参考訳（メタデータ） (2020-09-02T22:12:18Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。