Cardiorespiratory Signature Of Neonatal Sepsis Springer Nature podcast

Artwork

Nature Research Science

Innhold levert av Springer Nature. Alt podcastinnhold, inkludert episoder, grafikk og podcastbeskrivelser, lastes opp og leveres direkte av Springer Nature eller deres podcastplattformpartner. Hvis du tror at noen bruker det opphavsrettsbeskyttede verket ditt uten din tillatelse, kan du følge prosessen skissert her https://no.player.fm/legal.

Springer Nature « »
Cardiorespiratory signature of neonatal sepsis

1+ y ago 12:08

Del

MP3•Episoder hjem

Innhold levert av Springer Nature. Alt podcastinnhold, inkludert episoder, grafikk og podcastbeskrivelser, lastes opp og leveres direkte av Springer Nature eller deres podcastplattformpartner. Hvis du tror at noen bruker det opphavsrettsbeskyttede verket ditt uten din tillatelse, kan du følge prosessen skissert her https://no.player.fm/legal.

Heart rate characteristics and demographic factors have long been used to aid early detection of late-onset sepsis, however respiratory data may contain additional signatures of infection. In this episode we meet Early Career Investigator Brynne Sullivan from the University of Virginia. She and her team developed machine learning models to predict late-onset sepsis that were trained on heart rate and respiratory data to provide a cardiorespiratory early warning system which outperformed models using heart rate or demographics alone. Read the full article here: https://www.nature.com/articles/s41390-022-02444-7

… continue reading

554 episoder

#Nature Research #Science

Artwork

Cardiorespiratory signature of neonatal sepsis

Springer Nature

111 subscribers

published 1+ y ago

Del

MP3•Episoder hjem

Innhold levert av Springer Nature. Alt podcastinnhold, inkludert episoder, grafikk og podcastbeskrivelser, lastes opp og leveres direkte av Springer Nature eller deres podcastplattformpartner. Hvis du tror at noen bruker det opphavsrettsbeskyttede verket ditt uten din tillatelse, kan du følge prosessen skissert her https://no.player.fm/legal.

Heart rate characteristics and demographic factors have long been used to aid early detection of late-onset sepsis, however respiratory data may contain additional signatures of infection. In this episode we meet Early Career Investigator Brynne Sullivan from the University of Virginia. She and her team developed machine learning models to predict late-onset sepsis that were trained on heart rate and respiratory data to provide a cardiorespiratory early warning system which outperformed models using heart rate or demographics alone. Read the full article here: https://www.nature.com/articles/s41390-022-02444-7

… continue reading

554 episoder

#Nature Research #Science

Alle episoder

×

Velkommen til Player FM!

Player FM scanner netter for høykvalitets podcaster som du kan nyte nå. Det er den beste podcastappen og fungerer på Android, iPhone og internett. Registrer deg for å synkronisere abonnement på flere enheter.

Lytt til 500+ tema