MétaCan
Menu
Retour à la cohorte
Enregistrement W1991846816 · doi:10.1109/bigdata.congress.2014.74

A Rule-Based Temporal Analysis Method for Online Health Analytics and Its Application for Real-Time Detection of Neonatal Spells

2014· article· en· W1991846816 sur OpenAlexaff
Anirudh Thommandram, Johan Eklund, Carolyn McGregor, James E Pugh, Andrew James

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueHealthcare Technology and Patient Monitoring
Établissements canadiensHospital for Sick ChildrenUniversity of TorontoOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceRespiratory rateTimestampCardiorespiratory fitnessArtificial intelligenceHeart rateData miningReal-time computingBlood pressureMedicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,380
Écart entre enseignants0,344 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHealthcare Technology and Patient MonitoringTravaux en français237 207