論文の概要: A Deep Multi-Modal Method for Patient Wound Healing Assessment

• arxiv url: http://arxiv.org/abs/2602.09315v1
• Date: Tue, 10 Feb 2026 01:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.309797
• Title: A Deep Multi-Modal Method for Patient Wound Healing Assessment
• Title（参考訳）: 患者創傷治癒評価のための深層多モード法
• Authors: Subba Reddy Oota, Vijay Rowtula, Shahid Mohammed, Jeffrey Galitz, Minghsun Liu, Manish Gupta,
• Abstract要約: 患者の入院は、高い創傷治療コストの要因の1つである。 本稿では,患者が入院するリスクを予測するためのマルチモーダル手法を提案する。
• 参考スコア（独自算出の注目度）: 10.623661358105172
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hospitalization of patients is one of the major factors for high wound care costs. Most patients do not acquire a wound which needs immediate hospitalization. However, due to factors such as delay in treatment, patient's non-compliance or existing co-morbid conditions, an injury can deteriorate and ultimately lead to patient hospitalization. In this paper, we propose a deep multi-modal method to predict the patient's risk of hospitalization. Our goal is to predict the risk confidently by collectively using the wound variables and wound images of the patient. Existing works in this domain have mainly focused on healing trajectories based on distinct wound types. We developed a transfer learning-based wound assessment solution, which can predict both wound variables from wound images and their healing trajectories, which is our primary contribution. We argue that the development of a novel model can help in early detection of the complexities in the wound, which might affect the healing process and also reduce the time spent by a clinician to diagnose the wound.
• Abstract（参考訳）: 患者の入院は、高い創傷治療コストの要因の1つである。 ほとんどの患者は即時入院が必要な傷を負わない。 しかし、治療の遅れ、患者の非コンプライアンス、または既存の共死状態などの要因により、怪我は悪化し、最終的に患者の入院につながる。 本稿では,患者が入院するリスクを予測するためのマルチモーダル手法を提案する。 我々の目標は、患者の創傷変数と創傷像を総合的に利用することで、リスクを確実に予測することである。 この領域の既存の研究は、主に傷の種類によって傷の治癒に重点を置いている。 創傷画像と治癒軌跡の双方から創傷変数を推定できる転写学習に基づく創傷評価ソリューションを開発した。 創傷の複雑度を早期に検出する上で,創傷の治癒過程に影響を及ぼすとともに,創傷の診断に臨床医が費やす時間を短縮できる可能性が示唆された。

関連論文リスト

• Recurrent Neural Network on PICTURE Model [0.9790236766474201]
  この研究は、XGBoostモデルのパフォーマンスをベンチマークするために、ディープラーニングモデルを実装することを目的としている。 このモデルは、緊急集中治療単位の転送、呼吸不全、死亡のリスクが高い患者とリスクの低い患者とを分離することにより、患者の劣化を予測する。
  論文  参考訳（メタデータ） (2024-12-02T19:49:51Z)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• Predicting Unplanned Readmissions in the Intensive Care Unit: A Multimodality Evaluation [2.2559617939136505]
  退院は、ある期間内に退院した患者が、同じまたは関連するケアのために再び入院した場合である。 我々は、時系列分析と自然言語処理に最先端の機械学習アプローチを用いて、ICUにおける未計画の可読度を予測する。
  論文  参考訳（メタデータ） (2023-05-14T12:20:13Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Parkland Trauma Index of Mortality (PTIM): Real-time Predictive Model for PolyTrauma Patients [0.0]
  Parkland Trauma Index of Mortality (PTIM)は、電子カルテ(EMR)データを用いて死亡率を予測する機械学習アルゴリズムである。 モデルは毎時更新され、外傷に対する患者の生理的反応とともに進化する。 入院早期のポリトラウマ患者の臨床的意思決定に有用なツールかもしれない。
  論文  参考訳（メタデータ） (2020-10-07T20:34:03Z)
• Simultaneous Estimation of X-ray Back-Scatter and Forward-Scatter using Multi-Task Learning [59.17383024536595]
  後方散乱は複雑な介入の際の患者(皮膚)の服用に大きく寄与する。 前方散乱放射線は投影画像のコントラストを低減し、3次元再構成でアーティファクトを導入する。 本稿では,従来の手法と学習に基づく手法を組み合わせて,検出器に到達した前方散乱を同時に推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-08T10:47:37Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。