論文の概要: Continuous Determination of Respiratory Rate in Hospitalized Patients using Machine Learning Applied to Electrocardiogram Telemetry
- arxiv url: http://arxiv.org/abs/2508.15947v1
- Date: Thu, 21 Aug 2025 20:37:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.183408
- Title: Continuous Determination of Respiratory Rate in Hospitalized Patients using Machine Learning Applied to Electrocardiogram Telemetry
- Title（参考訳）: 心電図テレメトリへの機械学習の適用による入院患者の呼吸速度の連続測定
- Authors: Thomas Kite, Brian Ayers, Nicholas Houstis, Asishana A. Osho, Thoralf M. Sundt, Aaron D Aguirre,
- Abstract要約: 呼吸速度(RR)は入院患者の臨床的モニタリングにとって重要な指標である。
RRの人間のラベルは呼吸数に基づいており、医療スタッフにとって不正確で時間を要することが知られている。
この研究は、心電図(ECG)テレメトリ波形からRRをラベル付けるニューラルネットワーク(NN)を訓練する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Respiration rate (RR) is an important vital sign for clinical monitoring of hospitalized patients, with changes in RR being strongly tied to changes in clinical status leading to adverse events. Human labels for RR, based on counting breaths, are known to be inaccurate and time consuming for medical staff. Automated monitoring of RR is in place for some patients, typically those in intensive care units (ICUs), but is absent for the majority of inpatients on standard medical wards who are still at risk for clinical deterioration. This work trains a neural network (NN) to label RR from electrocardiogram (ECG) telemetry waveforms, which like many biosignals, carry multiple signs of respiratory variation. The NN shows high accuracy on multiple validation sets (internal and external, same and different sources of RR labels), with mean absolute errors less than 1.78 breaths per minute (bpm) in the worst case. The clinical utility of such a technology is exemplified by performing a retrospective analysis of two patient cohorts that suffered adverse events including respiratory failure, showing that continuous RR monitoring could reveal dynamics that strongly tracked with intubation events. This work exemplifies the method of combining pre-existing telemetry monitoring systems and artificial intelligence (AI) to provide accurate, automated and scalable patient monitoring, all of which builds towards an AI-based hospital-wide early warning system (EWS).
- Abstract（参考訳）: 呼吸速度 (RR) は入院患者の臨床モニタリングにおいて重要な指標であり, RRの変化は臨床状態の変化と強く結びついている。
RRの人間のラベルは呼吸数に基づいており、医療スタッフにとって不正確で時間を要することが知られている。
RRの自動化されたモニタリングは、一般的に集中治療室(ICUs)の患者のために実施されているが、通常の医療病棟の患者の多くは、まだ臨床上の悪化のリスクを抱えている。
この研究は神経ネットワーク(NN)を訓練し、心電図(ECG)のテレメトリー波形からRRをラベル付けする。
NNは複数の検証セット(内部および外部、同一、異なるRRラベルのソース)で高い精度を示し、最悪の場合、平均的な絶対誤差は1分あたり1.78呼吸(bpm)未満である。
このような技術の臨床的有用性は、呼吸不全を含む有害事象に苦しむ2つの患者コホートを振り返って分析することで実証され、連続RRモニタリングは、挿管イベントで強く追跡されたダイナミックスを明らかにすることが示されている。
この研究は、既存のテレメトリモニタリングシステムと人工知能(AI)を組み合わせて、正確で自動化され、スケーラブルな患者モニタリングを提供する方法を実証している。
関連論文リスト
- Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。
症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。
臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-20T01:58:45Z) - Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。
我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。
当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文 参考訳（メタデータ） (2025-08-17T21:54:11Z) - Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。
本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-23T21:18:23Z) - Unlocking Telemetry Potential: Self-Supervised Learning for Continuous Clinical Electrocardiogram Monitoring [0.0]
本稿では,未標識心電図(ECG)テレメトリー信号の多量化にディープラーニングを適用した。
我々は,約147,000時間の心電図テレメトリデータに基づいて,深層ネットワークのスペクトルを事前学習するために,自己教師学習を適用した。
論文 参考訳（メタデータ） (2024-06-07T18:00:00Z) - Machine Learning-based Signal Quality Assessment for Cardiac Volume
Monitoring in Electrical Impedance Tomography [0.8541111605978491]
臨床応用では、心臓の容積シグナルは、主に臨床介入中の患者の意図的な動きや避けられない動きのために、品質が低いことが多い。
本研究の目的は、運動人工物が一過性の心臓容積信号に与える影響を評価するための信号品質指標を作成することである。
提案手法は,臨床医が患者の症状に関する混乱を最小限に抑えるために,即時警告を提供するのに有効である。
論文 参考訳（メタデータ） (2023-01-04T07:13:21Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - A Novel Non-Invasive Estimation of Respiration Rate from
Photoplethysmograph Signal Using Machine Learning Model [0.0]
呼吸速度 (RR) は患者の健康を示す重要な指標である。
リアルタイムの連続RRモニタリング施設は集中ケアユニット(ICU)でのみ利用可能です。
最近の研究では、RR推定のためのPhotoplethysmogram(ECG)および/心電図(ECG)信号が提案されている。
本稿では,PPG信号特性を有する機械学習(ML)モデルを用いたRR推定手法について述べる。
論文 参考訳（メタデータ） (2021-02-18T17:08:50Z) - Predicting Clinical Deterioration in Hospitals [0.8329456268842225]
電子カルテに機械学習を適用し,患者が臨床劣化のリスクがあるかどうかを推定する。
成功すれば、病院は我々のアプローチを既存のITシステムに統合し、モデルによって生成されたアラートを使用して、ICU転送、心停止、または死を防ぐことができる。
論文 参考訳（メタデータ） (2021-02-11T06:03:36Z) - 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) - 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)
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。