Search research articles

お問い合わせ

JoVEについて

概要リーダーシップブログ JoVEヘルプセンター

著者向け

出版プロセス編集委員会範囲と方針査読よくある質問投稿

図書館員向け

推薦の声購読アクセスリソース図書館諮問委員会よくある質問

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments アーカイブ

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教員リソースセンター教員サイト

プライバシーポリシー

関連する概念動画

Transient Ischemic Attack l: Introduction

Transient Ischemic Attack l: Introduction

A transient ischemic attack (TIA) is a brief episode of neurological dysfunction caused by a temporary, focal reduction in cerebral blood flow. Although symptoms resemble those of an ischemic stroke, the interruption in perfusion is short-lived and does not cause permanent infarction. TIAs are clinically important because they often serve as early warning events for future stroke.Mechanisms of Transient Cerebral IschemiaTransient cerebral ischemia may arise through several mechanisms. One...

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え

Same author

Protocol for the external validation of machine learning models for risk prediction in early-onset preeclampsia: a multicenter prospective cohort study.

BMC pregnancy and childbirth·2026

Same author

Prediction of clinical and language changes after a single session of repetitive transcranial magnetic stimulation in primary progressive aphasia: A machine learning approach.

Journal of Alzheimer's disease reports·2026

Same author

Deep multimodal learning for domain-level cognitive decline prediction in Alzheimer's disease.

Frontiers in artificial intelligence·2026

Same author

Episodic Migraine Pain Curves: Real-Time Smartphone-Based Analysis and Clinical Implications.

Journal of pain research·2025

Same author

Correction: Early stroke detection through machine learning in the prehospital setting.

Frontiers in cardiovascular medicine·2025

Same author

Autoencoder techniques for survival analysis on renal cell carcinoma.

PloS one·2025

Search research articles

関連する実験動画

Updated: Jul 10, 2026

Prehospital Thrombolysis: A Manual from Berlin

Prehospital Thrombolysis: A Manual from Berlin

Published on: November 26, 2013

病院前での機械学習による脳卒中の早期発見

María Ríos Delgado¹, Gemma Reig Roselló², Nicolas Riera-Lopez³

¹Department of Computer Arquitecture and Automation, Universidad Complutense de Madrid, Madrid, Spain.

Frontiers in cardiovascular medicine

|August 25, 2025

まとめ

機械学習モデルは,病院前脳卒中診断を改善し,血液動力学的データを用いて脳卒中タイプと大血管閉塞 (LVO) を特定することができます. これは緊急治療の質を高め専門病院での治療を間に合うようにします

キーワード:

LVO 臨床データ緊急医療サービス遺伝子アルゴリズム血液動力学データ機械学習病院前ストローク

さらに関連する動画

Setting Up a Stroke Team Algorithm and Conducting Simulation-based Training in the Emergency Department - A Practical Guide

Setting Up a Stroke Team Algorithm and Conducting Simulation-based Training in the Emergency Department - A Practical Guide

Published on: January 15, 2017

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

関連する実験動画

Last Updated: Jul 10, 2026

Prehospital Thrombolysis: A Manual from Berlin

Prehospital Thrombolysis: A Manual from Berlin

Published on: November 26, 2013

Setting Up a Stroke Team Algorithm and Conducting Simulation-based Training in the Emergency Department - A Practical Guide

Setting Up a Stroke Team Algorithm and Conducting Simulation-based Training in the Emergency Department - A Practical Guide

Published on: January 15, 2017

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

科学分野:

神経科学
医療情報学
緊急医療

背景:

脳卒中は世界的な死因と障害の"つであり現代的なライフスタイルによって悪化しています
現在の病院前脳卒中診断は症状に依存し,大血管閉塞 (LVO) のような重大な状態の治療を遅らせます.
早期診断と介入は効果的な脳卒中治療に不可欠です

研究の目的:

病院前の脳卒中の種類と重度の正確な識別のための機械学習モデルを開発し,検証する.
ヘモダイナミックデータを用いて,緊急医療サービス (EMS) の脳卒中診断を強化する.
病院の選択を最適化し, 専門のセンターでのタイムリーな介入を通じて患者の結果を改善します.

主な方法:

特殊な機械学習モデルが2つ開発され,脳卒中の種類 (血栓性または出血性) を予測した.
最終的な脳卒中分類にはベイジアンルールを用いた.
別のモデルでは,少数の鍵となる変数を用いて,大血管閉塞 (LVO) を特定した.

主要な成果:

LVOモデルは91. 67%のリコールと64. 71%の精度で,既存の病院前スケールを上回りました.
主な予測変数は血圧,心拍数,酸素飽和度,腕の動きでした.
統合されたモデルは,LVO検出のリコール率74%と精度59%を示した.

結論:

機械学習はEMSの設定で脳卒中の診断の精度を大幅に改善します
LVOモデルは,ベースラインの方法と比較して,ポジティブなリコールで10%から13%の改善を示した.
血圧や心拍数などの客観的なデータは MLベースの脳卒中診断の強化と適切な介入の促進に不可欠です