Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Reducing False Ventricular Tachycardia Alarms in ICU Settings: A Machine Learning Approach

Created by
  • Haebom
Category
Empty

저자

Grace Funmilayo Farayola (University of Buckingham, Buckingham, UK), Akinyemi Sadeeq Akintola (Universidade NOVA de Lisboa, Lisbon, Portugal), Oluwole Fagbohun (Readrly Limited, London, UK), Chukwuka Michael Oforgu (Readrly Limited, London, UK), Bisola Faith Kayode (Independent Researcher, London, UK), Christian Chimezie (Independent Researcher, Bristol, UK), Temitope Kadri (Readrly Limited, London, UK), Abiola Oludotun (Readrly Limited, London, UK), Nelson Ogbeide (Independent Researcher, London, UK), Mgbame Michael (Hankali Intel, Lagos, Nigeria), Adeseye Ifaturoti (University of Greenwich, London, UK), Toyese Oloyede (Independent Researcher, Northampton, UK)

개요

중환자실(ICU)에서 잘못된 부정맥 경보는 경보 피로를 유발하고 환자 안전을 위협하는 심각한 문제입니다. 특히 심실성 빈맥(VT) 경보는 복잡한 특성으로 인해 정확하게 감지하기 어렵습니다. 본 논문에서는 ICU 모니터의 주석이 달린 VT 경보의 벤치마크 데이터셋인 VTaC 데이터셋을 사용하여 잘못된 VT 경보를 줄이기 위한 기계 학습 접근 방식을 제시합니다. 파형 데이터에서 시간 영역 및 주파수 영역 특징을 추출하고, 데이터를 전처리하고, 진짜와 가짜 VT 경보를 분류하기 위해 심층 학습 모델을 훈련시켰습니다. 그 결과 다양한 훈련 구성에서 ROC-AUC 점수가 0.96을 초과하는 높은 성능을 보였습니다. 이 연구는 기계 학습이 임상 환경에서 VT 경보 감지의 정확도를 향상시킬 수 있는 가능성을 보여줍니다.

시사점, 한계점

•
시사점: 기계 학습을 이용하여 심실성 빈맥(VT) 경보의 정확도를 향상시킬 수 있음을 보여줍니다. ROC-AUC 점수 0.96 이상의 높은 성능을 달성했습니다. 임상 환경에서 잘못된 경보로 인한 경보 피로 및 환자 안전 문제 해결에 기여할 수 있습니다.
•
한계점: VTaC 데이터셋 하나만 사용하여 모델을 훈련했으므로, 다른 데이터셋에서의 일반화 성능은 추가적인 연구가 필요합니다. 실제 임상 환경에 적용하기 위한 추가적인 검증 및 평가가 필요합니다. 사용된 특징들 외 다른 특징들을 고려하면 성능 향상이 가능할 수 있습니다. 모델의 해석성에 대한 추가적인 연구가 필요할 수 있습니다.
👍
Made with Slashpage