A Rule-Based Temporal Analysis Method for Online Health Analytics and Its Application for Real-Time Detection of Neonatal Spells
Notice bibliographique
Résumé
Neonatal spells are cardiorespiratory events that occur in newborn infants with variable combinations of cessation of breathing, decrease in blood oxygen saturation and decrease in heart rate. A system using real-time temporal analysis of physiological data streams to accurately detect pauses in breathing and changes in heart rate and oxygen saturation for classifying neonatal spells is described. The system uses a multidimensional online health analytics environment that supports the acquisition, transmission and real-time processing of high volume, high rate data. A family of algorithms has been developed using IBM InfoSphere Streams, a scalable middleware component for analysing multiple streams of data in real-time. Respiratory pauses are identified by accurately detecting breaths and calculating time intervals between breaths. Changes in heart rate and blood oxygen saturation are identified by both threshold breaches and the detection of relative change by assessing a sliding baseline and generating alerts when values fall out of range. Events detected in individual signals are synced together based on timestamps and assessed using a classifier based on clinical rules to determine a classification of neonatal spells. The output of these algorithms has been shown, in a single use case study with 24 hours of patient data, to detect clinically significant events in heart rate, blood oxygen saturation and pauses in breathing. The accuracy for detecting these is 97.8%, 98.3% and 98.9% respectively. The accuracy for determining spells classifications is 98.9%. Future research will focus on the clinical validation of these algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».