Startsida
Hjälp
Sök i LIBRIS databas

     

 

Sökning: onr:t57dj7s8rt5m71sj > Deep Learning from ...

Deep Learning from Heterogeneous Sequences of Sparse Medical Data for Early Prediction of Sepsis [Elektronisk resurs]

Alam, Mahbub Ul (författare)
13th International Joint Conference on Biomedical Engineering Systems and Technologies, Valletta, Malta, February 24-26, 2020 
Henriksson, Aron (författare)
Karlsson Valik, John (författare)
Ward, Logan (författare)
Naucler, Pontus (författare)
Dalianis, Hercules (författare)
Stockholms universitet Samhällsvetenskapliga fakulteten (utgivare)
Publicerad: SciTePress, 2020
Engelska.
Ingår i: Proceedings of the 13th International Joint Conference on Biomedical Engineering Systems and Technologies. - 9789897583988 ; 45-55
Läs hela texten
Läs hela texten
Läs hela texten
  • E-bok
Sammanfattning Ämnesord
Stäng  
  • Sepsis is a life-threatening complication to infections, and early treatment is key for survival. Symptoms of sepsis are difficult to recognize, but prediction models using data from electronic health records (EHRs) can facilitate early detection and intervention. Recently, deep learning architectures have been proposed for the early prediction of sepsis. However, most efforts rely on high-resolution data from intensive care units (ICUs). Prediction of sepsis in the non-ICU setting, where hospitalization periods vary greatly in length and data is more sparse, is not as well studied. It is also not clear how to learn effectively from longitudinal EHR data, which can be represented as a sequence of time windows. In this article, we evaluate the use of an LSTM network for early prediction of sepsis according to Sepsis-3 criteria in a general hospital population. An empirical investigation using six different time window sizes is conducted. The best model uses a two-hour window and assume s data is missing not at random, clearly outperforming scoring systems commonly used in healthcare today. It is concluded that the size of the time window has a considerable impact on predictive performance when learning from heterogeneous sequences of sparse medical data for early prediction of sepsis. 

Ämnesord

Natural Sciences  (hsv)
Computer and Information Sciences  (hsv)
Information Systems  (hsv)
Naturvetenskap  (hsv)
Data- och informationsvetenskap  (hsv)
Systemvetenskap, informationssystem och informatik  (hsv)
Medical and Health Sciences  (hsv)
Clinical Medicine  (hsv)
Infectious Medicine  (hsv)
Medicin och hälsovetenskap  (hsv)
Klinisk medicin  (hsv)
Infektionsmedicin  (hsv)

Genre

government publication  (marcgt)

Indexterm och SAB-rubrik

Sepsis
Early Prediction
Machine Learning
Deep Learning
Health Informatics
Healthcare Analytics
Inställningar Hjälp

Titeln finns på 1 bibliotek. 

Övriga bibliotek (1)

Ange som favorit
Om LIBRIS
Sekretess
Blogg
Hjälp
Fel i posten?
Kontakt
Teknik och format
Sök utifrån
Sökrutor
Plug-ins
Bookmarklet
Anpassa
Textstorlek
Kontrast
Vyer
LIBRIS söktjänster
SwePub
Sondera
Uppsök

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

Copyright © LIBRIS - Nationella bibliotekssystem

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy