論文の概要: Exploring Visual Complaints through a test battery in Acquired Brain Injury Patients: A Detailed Analysis of the DiaNAH Dataset

• arxiv url: http://arxiv.org/abs/2504.18540v1
• Date: Wed, 19 Mar 2025 09:59:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.375152
• Title: Exploring Visual Complaints through a test battery in Acquired Brain Injury Patients: A Detailed Analysis of the DiaNAH Dataset
• Title（参考訳）: 発作性脳損傷患者の視力障害 : DiaNAH データセットの詳細な解析
• Authors: Gonçalo Hora de Carvalho,
• Abstract要約: 本研究は,ABI患者に対するDiaNAHデータセットを用いた視覚障害の訴えについて検討した。 患者は8種類の視覚症状を捉えたCVSアンケートを完了した。 データ不足の課題に対処するため、データ計算に自動機械学習(AutoML)アプローチが採用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study investigated visual impairment complaints in a sample of 948 Acquired Brain Injury (ABI) patients using the DiaNAH dataset, emphasizing advanced machine learning techniques for managing missing data. Patients completed a CVS questionnaire capturing eight types of visual symptoms, including blurred vision and altered contrast perception. Due to incomplete data, 181 patients were excluded, resulting in an analytical subset of 767 individuals. To address the challenge of missing data, an automated machine learning (AutoML) approach was employed for data imputation, preserving the distributional characteristics of the original dataset. Patients were grouped according to singular and combined complaint clusters derived from the 40,320 potential combinations identified through the CVS questionnaire. A linear correlation analysis revealed minimal to no direct relationship between patient-reported visual complaints and standard visual perceptual function tests. This study represents an initial systematic attempt to understand the complex relationship between subjective visual complaints and objective visual perceptual assessments in ABI patients. Given the limitations of sample size and variability, further studies with larger populations are recommended to robustly explore these complaint clusters and their implications for visual perception following brain injury.
• Abstract（参考訳）: 本研究では、DiaNAHデータセットを用いて、948人の脳損傷患者を対象に、視覚障害に対する苦情を調査し、欠失データを管理するための高度な機械学習技術を強調した。 患者は、ぼやけた視力やコントラスト知覚の変化を含む8種類の視覚症状を捉えたCVSのアンケートを完了した。 不完全なデータにより、181人の患者が除外され、767人の分析的サブセットが得られた。 欠落したデータに対処するため、データ計算に自動機械学習(AutoML)アプローチを採用し、元のデータセットの分散特性を保存した。 CVS調査では,40,320種類の潜在的組み合わせから抽出した特異群と複合群に分類した。 線形相関解析では, 患者が報告した視覚的苦情と標準的な視覚機能検査との間には, 直接的・直接的関係は認められなかった。 本研究は、ABI患者の主観的視覚的苦情と客観的視覚的評価の複雑な関係を理解するための最初の体系的試みである。 サンプルサイズと変動性の限界を考えると、より大きな集団によるさらなる研究は、これらの苦情のクラスターと、脳損傷後の視覚的知覚に対する影響をしっかりと探求することが推奨される。

関連論文リスト

• Explaining Recovery Trajectories of Older Adults Post Lower-Limb Fracture Using Modality-wise Multiview Clustering and Large Language Models [2.166000001057538]
  本稿では,高齢者の下肢骨折から回復した高齢者から収集したクラスター型センサデータの解釈の問題に対処する。 加速度、歩数、周囲の動き、GPS位置、心拍数、睡眠を含む560日間のマルチモーダルセンサーデータを在宅患者から遠隔で収集した。 それぞれのモダリティから派生したクラスタに対して意味のあるクラスタラベルを推論するために,大規模な言語モデルが採用された。
  論文  参考訳（メタデータ） (2025-06-13T18:19:28Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Mimetic Muscle Rehabilitation Analysis Using Clustering of Low Dimensional 3D Kinect Data [1.53119329713143]
  本報告では, 筋損傷による顔面麻痺患者のリハビリテーションに対する非観血的アプローチについて考察する。 本研究は,HB(House-Brackmann)尺度など,現在の主観的アプローチと比較して,リハビリテーションプロセスの客観的化を目的としている。 この研究は、Kinectステレオビジョンカメラを用いて得られた120の計測値を持つ85人の異なる患者のデータセットを含んでいる。
  論文  参考訳（メタデータ） (2023-02-15T09:45:27Z)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Mixture Model Framework for Traumatic Brain Injury Prognosis Using Heterogeneous Clinical and Outcome Data [3.7363119896212478]
  TBIに関連する大きな異種データ型をモデル化する手法を開発する。 このモデルは、人口統計、血液ベースのバイオマーカー、画像検出など、さまざまなデータタイプを含むデータセットでトレーニングされます。 教師なしの学習環境で患者を別々のグループに成層するために使用されます。
  論文  参考訳（メタデータ） (2020-12-22T19:31:03Z)
• A Predictive Visual Analytics System for Studying Neurodegenerative Disease based on DTI Fiber Tracts [20.879437896802408]
  本稿では,DTIファイバートラクションデータとそれに対応する統計情報に基づいて,患者グループを対象としたインテリジェントな視覚分析システムを提案する。 システムのAI拡張インターフェースは、ユーザを組織的で総合的な分析空間を通じてガイドする。 本稿では,Parkinson's Progression Markers Initiativeの研究データベースから得られた実データを用いて,いくつかのケーススタディを行う。
  論文  参考訳（メタデータ） (2020-10-13T06:34:45Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)

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。