論文の概要: Machine learning for triage of strokes with large vessel occlusion using photoplethysmography biomarkers

• arxiv url: http://arxiv.org/abs/2503.13486v1
• Date: Sun, 09 Mar 2025 19:12:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 06:38:19.476567
• Title: Machine learning for triage of strokes with large vessel occlusion using photoplethysmography biomarkers
• Title（参考訳）: 光胸腺バイオマーカーを用いた大血管閉塞性脳梗塞の機械学習
• Authors: Márton Á. Goda, Helen Badge, Jasmeen Khan, Yosef Solewicz, Moran Davoodi, Rumbidzai Teramayi, Dennis Cordato, Longting Lin, Lauren Christie, Christopher Blair, Gagan Sharma, Mark Parsons, Joachim A. Behar,
• Abstract要約: 大血管閉塞 (LVO) 脳卒中は, 治療が遅れることによる予後不良の可能性から, 臨床実践において大きな課題となる。 LVOの治療には高度に専門的なケア、特に血管内血栓摘出術が含まれ、特定の病院でのみ利用可能である。 救急サービスによるLVOの先天的な同定は、LVO脳卒中患者を直接病院に搬送し、血管内療法を受けるために重要である。 臨床スコアは、重度の脳卒中からLVOを区別するのに役立つが、それらは、数分を要し、認知症や命令に従えない患者にとって非現実的かもしれない一連の検査に基づいている。
• 参考スコア（独自算出の注目度）: 0.6543869127897345
• License:
• Abstract: Objective. Large vessel occlusion (LVO) stroke presents a major challenge in clinical practice due to the potential for poor outcomes with delayed treatment. Treatment for LVO involves highly specialized care, in particular endovascular thrombectomy, and is available only at certain hospitals. Therefore, prehospital identification of LVO by emergency ambulance services, can be critical for triaging LVO stroke patients directly to a hospital with access to endovascular therapy. Clinical scores exist to help distinguish LVO from less severe strokes, but they are based on a series of examinations that can take minutes and may be impractical for patients with dementia or those who cannot follow commands due to their stroke. There is a need for a fast and reliable method to aid in the early identification of LVO. In this study, our objective was to assess the feasibility of using 30-second photoplethysmography (PPG) recording to assist in recognizing LVO stroke. Method. A total of 88 patients, including 25 with LVO, 27 with stroke mimic (SM), and 36 non-LVO stroke patients (NL), were recorded at the Liverpool Hospital emergency department in Sydney, Australia. Demographics (age, sex), as well as morphological features and beating rate variability measures, were extracted from the PPG. A binary classification approach was employed to differentiate between LVO stroke and NL+SM (NL.SM). A 2:1 train-test split was stratified and repeated randomly across 100 iterations. Results. The best model achieved a median test set area under the receiver operating characteristic curve (AUROC) of 0.77 (0.71--0.82). \textit{Conclusion.} Our study demonstrates the potential of utilizing a 30-second PPG recording for identifying LVO stroke.
• Abstract（参考訳）: 目的。 大血管閉塞 (LVO) 脳卒中は, 治療が遅れることによる予後不良の可能性から, 臨床実践において大きな課題となる。 LVOの治療には高度に専門的なケア、特に血管内血栓摘出術が含まれ、特定の病院でのみ利用可能である。 したがって,緊急救急サービスによるLVOの初診前同定は,血管内療法を施したLVO脳卒中患者を直接病院に搬送する上で極めて重要である。 臨床スコアは、LVOがより重度の脳卒中と区別するのに役立つが、それらは、数分を要し、認知症や脳卒中による指示に従えない患者にとって非現実的な一連の検査に基づいている。 LVOの早期同定を支援するために,迅速かつ信頼性の高い手法が必要である。 本研究の目的は,30秒間光胸腺撮影(PPG)を用いてLVO脳梗塞の認識を支援することの実現可能性を評価することである。 方法。 豪シドニーのリバプール病院救急部では, LVO25例, SM27例, 非LVO36例の計88例が報告された。 PPGから, 年齢, 性別, 形態的特徴, ビートレートの変動測定値などを抽出した。 LVOストロークとNL+SM(NL.SM)を区別するために二項分類法が用いられた。 2:1の列車分割は、100回にわたってランダムに繰り返された。 結果。 最良のモデルでは、受信機動作特性曲線 (AUROC) の0.77 (0.71--0.82) の下でテストセットの中央値を達成した。 \textit{Conclusion。 以上の結果から,LVOストロークの同定に30秒 PPG 記録を用いる可能性が示唆された。

関連論文リスト

• Automated Segmentation of Ischemic Stroke Lesions in Non-Contrast Computed Tomography Images for Enhanced Treatment and Prognosis [0.0]
  NCCTにおける虚血性脳梗塞領域の自動抽出法について, nnU-Net フレームワークを用いて検討した。 我々はサンプルデータセットでDiceスコア0.596とIntersection over Union (IoU)スコア0.501を達成した。
  論文  参考訳（メタデータ） (2024-11-14T12:27:31Z)
• Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• Optimizing Medication Decisions for Patients with Atrial Fibrillation through Path Development Network [4.682776828229116]
  心房細動(英: atrial fibrillation、AF)は、心房の急激な収縮と不規則な収縮を特徴とする一般的な不整脈である。 本研究では,AF患者に抗凝固療法を推奨すべきかどうかを予測する機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-18T14:31:11Z)
• DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning approach for thoracic aorta segmentation and aneurysm prediction using computed tomography scans [2.3135717943756307]
  胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の進行拡大による解離や破裂を引き起こす致命的な疾患である。 その他の指標は、このスクリーニングに役立つが、コントラスト増強や低用量プロトコールを伴わずに取得すれば、臨床評価が困難になる可能性がある。 本研究は, 対照群とTAA患者を含む587種類のCTスキャンを, コントラスト増強の有無にかかわらず低線量および標準線量プロトコールで取得した。 新たなセグメンテーションモデルであるDeepVoxは,開発およびテストセットに対してそれぞれ0.932と0.897のダイススコア係数を示した。
  論文  参考訳（メタデータ） (2023-10-23T19:48:58Z)
• 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)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• 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)
• Using machine learning techniques to predict hospital admission at the emergency department [0.0]
  救急部門(ED)における最も重要な課題の一つは、病院入院の恩恵を受ける患者を迅速に特定することである。 機械学習(ML)技術は、医療における診断支援として有望であることを示している。 本研究は,病院入院の予測における業績について,以下の特徴について考察した。
  論文  参考訳（メタデータ） (2021-06-23T16:37:37Z)
• 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)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。