論文の概要: MELON: Multimodal Mixture-of-Experts with Spectral-Temporal Fusion for Long-Term Mobility Estimation in Critical Care

• arxiv url: http://arxiv.org/abs/2503.11695v1
• Date: Mon, 10 Mar 2025 19:47:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 06:09:54.583273
• Title: MELON: Multimodal Mixture-of-Experts with Spectral-Temporal Fusion for Long-Term Mobility Estimation in Critical Care
• Title（参考訳）: MELON:マルチモーダル・ミックス・オブ・エクササイズとスペクトラル・テンポラル・フュージョン
• Authors: Jiaqing Zhang, Miguel Contreras, Jessica Sena, Andrea Davidson, Yuanfang Ren, Ziyuan Guan, Tezcan Ozrazgat-Baslanti, Tyler J. Loftus, Subhash Nerella, Azra Bihorac, Parisa Rashidi,
• Abstract要約: MELONは、医療現場における12時間移動状態を予測するための新しいフレームワークである。 フロリダ州ゲインズビルにあるフロリダ・ヘルス・サンズ病院の9つの集中治療室を受診した126名の患者を対象に,MELONモデルを訓練・評価した。 その結果、MELONは従来の12時間移動状態推定手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 1.5237145555729716
• License:
• Abstract: Patient mobility monitoring in intensive care is critical for ensuring timely interventions and improving clinical outcomes. While accelerometry-based sensor data are widely adopted in training artificial intelligence models to estimate patient mobility, existing approaches face two key limitations highlighted in clinical practice: (1) modeling the long-term accelerometer data is challenging due to the high dimensionality, variability, and noise, and (2) the absence of efficient and robust methods for long-term mobility assessment. To overcome these challenges, we introduce MELON, a novel multimodal framework designed to predict 12-hour mobility status in the critical care setting. MELON leverages the power of a dual-branch network architecture, combining the strengths of spectrogram-based visual representations and sequential accelerometer statistical features. MELON effectively captures global and fine-grained mobility patterns by integrating a pre-trained image encoder for rich frequency-domain feature extraction and a Mixture-of-Experts encoder for sequence modeling. We trained and evaluated the MELON model on the multimodal dataset of 126 patients recruited from nine Intensive Care Units at the University of Florida Health Shands Hospital main campus in Gainesville, Florida. Experiments showed that MELON outperforms conventional approaches for 12-hour mobility status estimation with an overall area under the receiver operating characteristic curve (AUROC) of 0.82 (95\%, confidence interval 0.78-0.86). Notably, our experiments also revealed that accelerometer data collected from the wrist provides robust predictive performance compared with data from the ankle, suggesting a single-sensor solution that can reduce patient burden and lower deployment costs...
• Abstract（参考訳）: 集中治療における患者のモビリティモニタリングは、タイムリーな介入の確保と臨床結果の改善に不可欠である。 加速度計を用いたセンサデータは,患者の移動度を推定するための人工知能モデルの訓練に広く採用されているが,既存のアプローチでは,(1)高次元,可変性,騒音による長期加速度計データのモデリングが困難であること,(2)長期移動度評価のための効率的で堅牢な手法が存在しないこと,の2つが臨床実践で強調されている。 これらの課題を克服するために,クリティカルケア環境における12時間移動状態の予測を目的とした,新しいマルチモーダルフレームワークであるMELONを導入する。 MELONはデュアルブランチネットワークアーキテクチャのパワーを活用し、分光図に基づく視覚表現の強みと逐次加速度計の統計的特徴を組み合わせる。 MELONは、豊富な周波数領域の特徴抽出のための事前訓練された画像エンコーダと、シーケンスモデリングのためのMixture-of-Expertsエンコーダを統合することで、グローバルかつきめ細かなモビリティパターンを効果的にキャプチャする。 フロリダ州ゲインズビルにあるフロリダ・ヘルス・サンズ病院の9つの集中治療室を受診した126名の患者を対象に,MELONモデルを訓練・評価した。 実験の結果、MELONは、受信機動作特性曲線(AUROC)の0.82(95\%、信頼区間0.78-0.86)の下で、12時間移動状態推定の従来の手法よりも優れていた。 特に、我々の実験では、手首から収集した加速度計のデータが足首のデータと比較して堅牢な予測性能を提供しており、患者の負担を軽減し、デプロイメントコストを低減できる単一センサーソリューションが提案されている。

関連論文リスト

• IoT-Based Real-Time Medical-Related Human Activity Recognition Using Skeletons and Multi-Stage Deep Learning for Healthcare [1.5236380958983642]
  IoT(Internet of Things)とモバイル技術は、患者のリアルタイムモニタリングと診断を可能にすることによって、医療を大きく変革した。 HMR(Human Motion Recognition)は、高い計算要求、低い精度、限られた適応性といった課題を継続する。 本研究は,IoTと統合した多段階深層学習技術を活用したMRHA検出のための新しいHMR手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T03:41:57Z)
• MANGO: Multimodal Acuity traNsformer for intelliGent ICU Outcomes [11.385654412265461]
  Intelligent ICU 結果に対する Multimodal Acuity traNsformer を提案する。 患者の容積状態、遷移、生命維持療法の必要性の予測を強化するように設計されている。
  論文  参考訳（メタデータ） (2024-12-13T23:51:15Z)
• Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
  足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。 本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。 その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T10:51:40Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Scalable Drift Monitoring in Medical Imaging AI [37.1899538374058]
  我々は,スケーラブルなドリフトモニタリングのための拡張フレームワークであるMCC+を開発した。 それは、医療画像AIモデルのためのリアルタイムドリフト検出を導入したCheXstrayフレームワークの上に構築されている。 MMC+は、継続的パフォーマンス監視の信頼性と費用対効果を提供する。
  論文  参考訳（メタデータ） (2024-10-17T02:57:35Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• The Potential of Wearable Sensors for Assessing Patient Acuity in Intensive Care Unit (ICU) [12.359907390320453]
  エクイティアセスメントは、タイムリーな介入と公平なリソース割り当てを提供するために、重要なケア設定において不可欠である。 従来のAcuityスコアには、ICUの回復や劣化を示す、患者のモビリティレベルなどの詳細な情報が含まれていない。 本研究では,手首の加速度計から収集したモビリティデータとEHRから得られた臨床データとを統合してAIによる明度評価スコアを作成することによる影響について検討した。
  論文  参考訳（メタデータ） (2023-11-03T21:52:05Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• 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)
• 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)

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。