ترجمه فارسی مقاله SepAl: هشدارهای سپسیس در گجت های پوشیدنی کم مصرف با نشانگرهای زیستی دیجیتال و یادگیری ماشین کوچک روی دستگاه

چکیده

Sepsis is a lethal syndrome of organ dysfunction that is triggered by an infection and claims 11 million lives per year globally. Prognostic algorithms based on deep learning have shown promise in detecting the onset of sepsis hours before the actual event but use a large number of bio-markers, including vital signs and laboratory tests. The latter makes the deployment of such systems outside hospitals or in resource-limited environments extremely challenging. This paper introduces SepAl, an energy-efficient and lightweight neural network, using only data from low-power wearable sensors, such as photoplethysmography (PPG), inertial measurement units (IMU), and body temperature sensors, designed to deliver alerts in real-time. SepAl leverages only six digitally acquirable vital signs and tiny machine learning algorithms, enabling on-device real-time sepsis prediction. SepAl uses a lightweight temporal convolution neural network capable of providing sepsis alerts with a median predicted time to sepsis of 9.8 hours. The model has been fully quantized, being able to be deployed on any low-power processors, and evaluated on an ARM Cortex-M33 core. Experimental evaluations show an inference efficiency of 0.11MAC/Cycle and a latency of 143ms, with an energy per inference of 2.68mJ. This work aims at paving the way toward accurate disease prediction, deployable in a long-lasting multi-vital sign wearable device, suitable for providing sepsis onset alerts at the point of care. The code used in this work has been open-sourced and is available at https://github.com/mgiordy/sepsis-prediction

چکیده به فارسی (ترجمه ماشینی)

سپسیس یک سندرم کشنده از اختلال عملکرد اندام است که توسط عفونت ایجاد می شود و 11 میلیون نفر در سال در سطح جهان ادعا می کند.الگوریتم های پیش آگهی مبتنی بر یادگیری عمیق نوید را در تشخیص شروع سپسیس ساعات قبل از رویداد واقعی نشان داده اند اما از تعداد زیادی از مارک های زیستی ، از جمله علائم حیاتی و آزمایشات آزمایشگاهی استفاده می کنند.دومی باعث استقرار چنین سیستم هایی در خارج از بیمارستان ها یا در محیط های محدود منابع بسیار چالش برانگیز می شود.در این مقاله SEPAL ، یک شبکه عصبی با انرژی و سبک وزن ، فقط با استفاده از داده های سنسورهای پوشیدنی کم مصرف مانند Photoplethysmography (PPG) ، واحدهای اندازه گیری اینرسی (IMU) و سنسورهای دمای بدن ، طراحی شده است تا هشدارهایی را در واقعی ارائه دهد.زمانSEPAL فقط شش علائم حیاتی قابل دستیابی و الگوریتم های یادگیری ماشین کوچک را به دست می آورد و پیش بینی سپسیس در زمان واقعی را امکان پذیر می کند.SEPAL از یک شبکه عصبی Convolution Temporal سبک وزن استفاده می کند که قادر به هشدارهای سپسیس با میانگین زمان پیش بینی شده به سپسیس 9.8 ساعت است.این مدل به طور کامل کمکی شده است ، که قادر به استقرار در هر پردازنده کم مصرف است و بر روی هسته قشر بازو ارزیابی می شود.ارزیابی های تجربی بازده استنباط 0.11mac/چرخه و تأخیر 143ms را نشان می دهد ، با انرژی در هر استنتاج 2.68mJ.این کار با هدف هموار کردن راه به سمت پیش بینی دقیق بیماری ، مستقر در یک دستگاه پوشیدنی چند منظوره ماندگار ، مناسب برای ارائه هشدارهای شروع سپسیس در نقطه مراقبت است.کد مورد استفاده در این کار دارای منبع باز بوده و در https://github.com/mgiordy/sepsis-prediction در دسترس است