Key points are not available for this paper at this time.
على الرغم من الدراسات المكثفة حول تقدير ضغط الدم المستمر بدون كفة من خلال نماذج التعلم الآلي، إلا أن هذه النماذج مقيدة عادة باستراتيجية تدريب لمرة واحدة، مما يؤدي إلى معلمات نموذج ثابتة وتكيف غير كافٍ استجابةً لأنماط البيانات الجديدة. ضغط الدم هو علامة حيوية ديناميكية تتميز بالانحراف المفاهيمي. مع النماذج الثابتة المدربة على مجموعات بيانات ضغط دم ثابتة وتقنية التعلم التقليدي، ستنخفض أداء التقدير عندما تنحرف توزيعات ضغط الدم المتوقع عن تلك المدربة. في هذه الورقة، نقترح إطار تعلم مستمر جديد لتقدير ضغط الدم المستمر. يتيح هذا الإطار لنماذج التعلم العميق أن تتعلم ديناميكيًا وتسلسليًا إشارات ضغط الدم المستمر، حتى في وجود انحراف مفهوم. قمنا بالتحقق من صحة الإطار المقترح من خلال نوعين من نماذج التعلم المستمر على بيانات من 3,850 عينة (403.67 ساعة) في قاعدة بيانات جامعة كاليفورنيا إيرفين، وقارناه مع نموذج التعلم التقليدي تحت عدة تجارب محكومة. أظهرت النتائج أن نموذج التعلم المستمر يتعلم بشكل جيد حتى عند وجود مستويات مختلفة من انحراف المفهوم في ضغط الدم المستمر. علاوة على ذلك، تحسن أداء تقدير ضغط الدم لنموذج التعلم المستمر المزود بشبكة CNN أحادية البُعد بنسبة 20.86% في المتوسط مقارنةً بنموذج التعلم التقليدي. تشير هذه النتائج إلى أن نموذج التعلم المستمر لديه ميزة كبيرة على نموذج التعلم التقليدي لتقدير ضغط الدم المستمر الديناميكي.
قام Zhang وزملاؤه (الخميس) بدراسة هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: