論文の概要: Development of a Deep Learning Model for the Prediction of Ventilator Weaning

• arxiv url: http://arxiv.org/abs/2503.02643v1
• Date: Mon, 03 Mar 2025 16:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:16:16.664059
• Title: Development of a Deep Learning Model for the Prediction of Ventilator Weaning
• Title（参考訳）: 人工呼吸器の洗浄予測のための深層学習モデルの開発
• Authors: Hernando Gonzalez, Carlos Julio Arizmendi, Beatriz F. Giraldo,
• Abstract要約: 集中治療室 (ICU) 設定において, 脱毛は重要な関心事である。 約20人のICU患者がこの現象を経験し、健康に深刻な影響を与える。 本稿では,機械式人工呼吸器から解離する患者を,畳み込みニューラルネットワーク(CNN)を用いて評価する医療支援システムを提案する。
• 参考スコア（独自算出の注目度）: 5.136649607376273
• License:
• Abstract: The issue of failed weaning is a critical concern in the intensive care unit (ICU) setting. This scenario occurs when a patient experiences difficulty maintaining spontaneous breathing and ensuring a patent airway within the first 48 hours after the withdrawal of mechanical ventilation. Approximately 20 of ICU patients experience this phenomenon, which has severe repercussions on their health. It also has a substantial impact on clinical evolution and mortality, which can increase by 25 to 50. To address this issue, we propose a medical support system that uses a convolutional neural network (CNN) to assess a patients suitability for disconnection from a mechanical ventilator after a spontaneous breathing test (SBT). During SBT, respiratory flow and electrocardiographic activity were recorded and after processed using time-frequency analysis (TFA) techniques. Two CNN architectures were evaluated in this study: one based on ResNet50, with parameters tuned using a Bayesian optimization algorithm, and another CNN designed from scratch, with its structure also adapted using a Bayesian optimization algorithm. The WEANDB database was used to train and evaluate both models. The results showed remarkable performance, with an average accuracy 98 when using CNN from scratch. This model has significant implications for the ICU because it provides a reliable tool to enhance patient care by assisting clinicians in making timely and accurate decisions regarding weaning. This can potentially reduce the adverse outcomes associated with failed weaning events.
• Abstract（参考訳）: 集中治療室(ICU)設定において, 脱毛の問題は重大な懸念事項である。 このシナリオは、患者の自発呼吸の維持が困難であり、機械的換気の離脱後48時間以内に特許の気道を確保する場合に発生する。 ICU患者の約20人がこの現象を経験しており、健康に深刻な影響を与える。 また、臨床進化と死亡率に大きく影響し、25から50に増加する可能性がある。 そこで本研究では,自然呼吸テスト(SBT)後に機械的人工呼吸器から解離する患者を,畳み込みニューラルネットワーク(CNN)を用いて評価する医療支援システムを提案する。 SBT中, 呼吸血流と心電図活性が記録され, 時間周波数解析(TFA)法を用いて処理した。 ベイジアン最適化アルゴリズムを用いてパラメータを調整したResNet50と,ベイジアン最適化アルゴリズムを用いて設計した別のCNNという2つのCNNアーキテクチャが評価された。 WEANDBデータベースは両方のモデルのトレーニングと評価に使用された。 その結果,CNNをゼロから使用する場合の平均精度は98。 このモデルがICUに重要な意味を持つのは、臨床医が織りに関するタイムリーかつ正確な決定を下すのを支援することで、患者のケアを強化するための信頼性の高いツールを提供するからである。 これにより、織りの失敗に伴う有害な結果が減少する可能性がある。

関連論文リスト

• Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
  ICUの既存の患者評価は散発的であり、手動で管理されている。 我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。 634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
  論文  参考訳（メタデータ） (2023-11-01T15:07:03Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Deep Learning-based Fall Detection Algorithm Using Ensemble Model of Coarse-fine CNN and GRU Networks [7.624051346741515]
  本研究では,大小の畳み込みニューラルネットワークとゲートリカレントユニットを組み合わせたアンサンブルモデルを提案する。 提案したモデルは、それぞれ92.54%、96.13%、94.26%のリコール、精度、Fスコアを達成する。
  論文  参考訳（メタデータ） (2023-04-13T08:30:46Z)
• Transformer Models for Acute Brain Dysfunction Prediction [3.2884323672632028]
  急性脳機能障害(ABD)は、特に高齢者においてICUで多い。 我々は電子健康記録(Electronic Health Record, HER)データを用いたADBのリアルタイム予測のための機械学習システムを開発した。 そして,本システムは,ISUにおけるADBのリアルタイム予測に利用でき,ABDによるインシデント数を削減できる。
  論文  参考訳（メタデータ） (2023-03-13T17:30:04Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Early ICU Mortality Prediction and Survival Analysis for Respiratory Failure [4.229085609275446]
  呼吸不全患者の早期死亡リスク予測のための動的モデリング手法を,最初の24時間ICU生理学的データに基づいて提案する。 ICU導入後5日目のAUROC高成績(80～83%)とAUCPR4%の有意な改善が得られた。
  論文  参考訳（メタデータ） (2021-09-06T06:03:23Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Deep Neural Network for Respiratory Sound Classification in Wearable Devices Enabled by Patient Specific Model Tuning [2.8935588665357077]
  メル・スペクトログラムに基づく呼吸音を分類する深層CNN-RNNモデルを提案する。 また、まず呼吸器患者をスクリーニングし、次いで患者固有の分類モデルを構築する患者特化モデルチューニング戦略を実装した。 The proposed hybrid CNN-RNN model achieves 66.31% on four-class classification of breath cycles for ICBHI'17 scientific challenge respiratory sound database。
  論文  参考訳（メタデータ） (2020-04-16T15:42:58Z)

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。