論文の概要: AI-based detection of worsening heart failure from low-resolution telemonitoring data

• arxiv url: http://arxiv.org/abs/2609.29742v1
• Date: Thu, 24 Sep 2026 12:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.93672
• Title: AI-based detection of worsening heart failure from low-resolution telemonitoring data
• Title（参考訳）: 低分解能遠隔監視データによる心不全のAIによる検出
• Abstract要約: 心不全は、合併症の多さ、高齢化、頻繁な入院が原因で、医療上の課題となる。 遠隔監視は、早期に健康悪化を検知することで、HF患者を管理するための有望なアプローチを提供する。 TRACERモデルは,低解像度で不規則にサンプリングされた遠隔監視データにおいて,稀な入院イベントにつながるスケジュールを予測するように設計されている。
• 参考スコア（独自算出の注目度）: 4.18181044385855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Heart failure (HF) presents a healthcare challenge due to its high comorbidity burden, aging patient population and frequent hospitalizations. Remote monitoring offers a promising approach to managing HF patients by early detection of health deterioration. Developing autonomous systems to detect signs of worsening in telemonitoring data is of interest to reduce the workload of healthcare personnel. Methods: We propose the TRACER model, a Transformer with Contrastive Event Representation, designed to predict timelines leading to rare hospitalization events in low-resolution and irregularly sampled telemonitoring data. TRACER incorporates time-aware embeddings for each biomarker, contrastive pre-training to enhance anomaly detection via representation learning, and independent binary classifiers for detection. We used measurement data containing remotely recorded biomarker sequences from 276 HF patients segmented into overlapping windows based on temporal rules, and labeled the windows based on the occurrence of HF relevant hospitalizations at the latter edge of the window. Results: TRACER was able to correctly predict 66.7% timelines leading up to HF hospitalizations in the highly imbalanced real-world dataset with an overestimation of 7.9%. Reformulating the training of TRACER as an event detection problem improved the predictive performance compared with training directly on forecasting windows, enabling more effective use of the limited hospitalization events. Conclusion: TRACER demonstrated superior performance in detecting signs of worsening status in real-world telemonitoring data compared to the other tested models. Significance: TRACER shows promise in identifying signs of clinical deterioration that allow for alerts to be generated to provide counteractive treatment in patients with HF.
• Abstract（参考訳）: 目的: 心不全(HF)は, 合併症の多さ, 高齢化, 頻繁な入院などにより, 医療上の課題を提起する。 遠隔監視は、早期に健康悪化を検知することで、HF患者を管理するための有望なアプローチを提供する。 遠隔監視データの悪化の兆候を検出する自律システムを開発することは、医療従事者の労働負荷を減らすことに関心がある。 方法: TRACERモデル, コントラストイベント表現を用いたトランスフォーマーを提案し, 低解像度で不規則な遠隔監視データにおいて, 稀な入院イベントにつながる時系列を予測する。 TRACERは、それぞれのバイオマーカーにタイムアウェアな埋め込み、表現学習による異常検出を強化するための対照的な事前トレーニング、および検出のための独立したバイナリ分類器を組み込んでいる。 時間的規則に基づいて重なり合う窓に分節した276名のHF患者からリモートで記録したバイオマーカー配列を含む測定データを用いて, 窓の裏端にHF関連入院が発生したことに基づいて, 窓にラベルを付けた。 結果:TRACERは、高度に不均衡な現実世界のデータセットにおけるHF入院につながる66.7%のタイムラインを正確に予測することができ、過大評価は7.9%だった。 イベント検出問題としてのTRACERのトレーニングの見直しにより、予測窓でのトレーニングと比較して予測性能が向上し、限られた入院イベントをより効果的に活用できるようになった。 結論:TRACERは, 実世界の遠隔監視データにおいて, 他の試験モデルと比較して, 状況悪化の兆候を検出する上で, 優れた性能を示した。 意義:TRACERは、HF患者に対活治療を提供するために警告を発生させることができる臨床劣化の兆候を特定することを約束している。

関連論文リスト

• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• Early Detection of Patient Deterioration from Real-Time Wearable Monitoring System [0.1253467217038036]
  TARLは、心拍数時系列において、シェープレットとして知られる代表サブシーケンスの構造関係をモデル化する革新的なアプローチである。 TARLは、心拍数時系列におけるシェープレットダイナミクスをモデル化するためのシェープレット遷移知識グラフを作成する。 これらの表現は説明的構造を捉え、将来の心拍数トレンドを予測し、早期疾患の検出を支援する。
  論文  参考訳（メタデータ） (2025-05-02T14:32:44Z)
• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• 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)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)
• Late fusion of machine learning models using passively captured interpersonal social interactions and motion from smartphones predicts decompensation in heart failure [10.26574533594142]
  心不全(HF)は、死亡率と死亡率の主要な原因であり、入院の主な原因の1つです。 退院後、スマートフォンアプリで20人が監視された。 スマートフォンを用いたモニタリングシステムを用いて収集した動作,社会的,位置,臨床調査データを用いて,HF補償イベントの予測・分類を行うアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-04-04T01:04:29Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)

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。