DOI: https://doi.org/10.1109/tbme.2026.3655095
PMID: https://pubmed.ncbi.nlm.nih.gov/41564042
تاريخ النشر: 2026-01-21
المؤلف: Xuhang Chen وآخرون
الموضوع الرئيسي: مراقبة العلامات الحيوية غير الغازية
نظرة عامة
يقدم هذا القسم GenClean، وهو إطار عمل جديد مصمم لتنظيف العوامل الملوثة في السلاسل الزمنية الطبية في الوقت الحقيقي، مع التركيز بشكل خاص على الموجات النبضية مثل ضغط الدم الشرياني (ABP) وإشارات قياس التغير في حجم الدم (PPG). على عكس الطرق التقليدية المعتمدة على الإشراف، يعمل GenClean بطريقة خالية من التسميات ويعالج بشكل فعال التحولات في توزيع المرضى، مما يعزز اكتشاف العوامل الملوثة عبر مجموعات مرضى متنوعة. تم تدريب الإطار على مجموعة بيانات كبيرة تضم 180,000 عينة من ضغط الدم الشرياني لمدة عشر ثوانٍ وتم التحقق من صحته باستخدام قاعدة بيانات MIMIC-III، مما يظهر أداءً قويًا تحت كل من التغيرات داخل المرضى وبينهم.
في الختام، يمثل GenClean تقدمًا كبيرًا في مجال المراقبة الفسيولوجية المستمرة، حيث يقدم تنفيذًا عمليًا يتكامل بسلاسة مع برامج مراقبة الأبحاث السريرية مثل ICM+. تؤكد التجارب الواسعة التي أجريت على قدراته القوية في اكتشاف العوامل الملوثة وإمكانية استخدامه في الوقت الحقيقي على الأجهزة السريرية القياسية. لا يسهل هذا الإطار جمع بيانات عالية الجودة فحسب، بل يدعم أيضًا الأهداف الشاملة للطب الدقيق القائم على البيانات ورعاية المرضى الفردية، مما يمثل خطوة واعدة إلى الأمام في موثوقية تحليل السلاسل الزمنية الطبية عالية الدقة.
طرق
يستعرض قسم “الطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح اختيار المشاركين، والمواد المستخدمة، والبروتوكولات المحددة المتبعة لضمان موثوقية وصدق النتائج. تشمل المنهجية مقاييس كمية، مثل التحليلات الإحصائية، لتقييم البيانات التي تم جمعها خلال التجارب.
بالإضافة إلى ذلك، قد يصف القسم أي تدابير تحكم تم تنفيذها لتقليل التحيزات والمتغيرات المربكة، مما يضمن أن النتائج قوية وقابلة للتكرار. تعتبر الطرق المستخدمة حاسمة لفهم النتائج اللاحقة وآثارها في سياق أهداف البحث.
نقاش
في هذه الدراسة، نقدم GenClean، وهي طريقة جديدة لتنظيف العوامل الملوثة لإشارات النبض الطبية، مع التركيز بشكل خاص على ضغط الدم الشرياني (ABP) وبيانات قياس التغير في حجم الدم (PPG). باستخدام مجموعة بيانات شاملة تضم 180,000 عينة لمدة 10 ثوانٍ من مرضى يعانون من إصابة دماغية رضحية، قمنا بتنفيذ استراتيجية تدريب خالية من التسميات تعزز التعميم عبر مجموعات مرضى متنوعة وإعدادات سريرية. أظهر نموذجنا دقة تزيد عن 90% في التعرف على العوامل الملوثة على مجموعة بيانات MIMIC-III، مما يدل على قوته ضد التحولات في التوزيع الموجودة في البيانات السريرية. بالإضافة إلى ذلك، عند تطبيقه على إشارات PPG، حقق GenClean دقة تبلغ 85.8%، مما يبرز مرونته عبر إشارات فسيولوجية مختلفة.
يتكامل الإطار المقترح مع بنية مشفر تلقائي متغير مع وحدة تكيف ترددي، مما يسمح باكتشاف فعال للعوامل الملوثة مع الحفاظ على قدرات المعالجة في الوقت الحقيقي. هذا أمر حاسم للتطبيقات السريرية حيث يكون اتخاذ القرار في الوقت المناسب ضروريًا. تشير نتائجنا إلى أن GenClean لا يتجاوز فقط الطرق التقليدية لاكتشاف العوامل الملوثة، بل يعالج أيضًا قيود أساليب التعلم المراقب السابقة، التي غالبًا ما تكافح مع التعميم عبر ظروف المرضى والمواقع المتنوعة. بشكل عام، يمثل GenClean تقدمًا كبيرًا في مجال معالجة الإشارات الفسيولوجية، حيث يقدم حلاً عمليًا لتنظيف العوامل الملوثة في الوقت الحقيقي في البيئات السريرية.
DOI: https://doi.org/10.1109/tbme.2026.3655095
PMID: https://pubmed.ncbi.nlm.nih.gov/41564042
Publication Date: 2026-01-21
Author(s): Xuhang Chen et al.
Primary Topic: Non-Invasive Vital Sign Monitoring
Overview
The section presents GenClean, a novel framework designed for real-time artefact cleaning in medical time series, specifically targeting pulsatile waveforms such as arterial blood pressure (ABP) and photoplethysmography (PPG) signals. Unlike traditional supervised methods, GenClean operates in a label-free manner and effectively addresses patient-level distribution shifts, enhancing artefact detection across diverse patient populations. The framework was trained on a substantial dataset of 180,000 ten-second ABP samples and validated using the MIMIC-III database, demonstrating robust performance under both intra- and inter-patient variations.
In conclusion, GenClean represents a significant advancement in the field of continuous physiological monitoring, offering a practical implementation that integrates seamlessly with clinical research monitoring software like ICM+. The extensive experiments conducted confirm its strong artefact detection capabilities and real-time feasibility on standard clinical hardware. This framework not only facilitates high-quality data collection but also supports the overarching goals of data-driven precision medicine and individualized patient care, marking a promising step forward in the reliability of high-resolution medical time series analysis.
Methods
The “Methods” section outlines the experimental design and procedures employed in the study. It details the selection of participants, the materials used, and the specific protocols followed to ensure the reliability and validity of the results. The methodology includes quantitative measures, such as statistical analyses, to evaluate the data collected during the experiments.
Additionally, the section may describe any control measures implemented to minimize biases and confounding variables, ensuring that the findings are robust and reproducible. The methods employed are critical for understanding the subsequent results and their implications in the context of the research objectives.
Discussion
In this study, we present GenClean, a novel artefact cleaning method for medical pulsatile signals, specifically focusing on arterial blood pressure (ABP) and photoplethysmography (PPG) data. Utilizing a comprehensive dataset of 180,000 10-second samples from patients with traumatic brain injury, we implemented a label-free training strategy that enhances generalization across diverse patient populations and clinical settings. Our model demonstrated over 90% accuracy in artefact recognition on the MIMIC-III dataset, indicating its robustness against distribution shifts inherent in clinical data. Additionally, when applied to PPG signals, GenClean achieved an accuracy of 85.8%, showcasing its versatility across different physiological signals.
The proposed framework integrates a variational autoencoder architecture with a frequency adaptation module, allowing for effective artefact detection while maintaining real-time processing capabilities. This is crucial for clinical applications where timely decision-making is essential. Our results indicate that GenClean not only surpasses traditional artefact detection methods but also addresses the limitations of previous supervised learning approaches, which often struggle with generalization across varying patient and site conditions. Overall, GenClean represents a significant advancement in the field of physiological signal processing, offering a practical solution for real-time artefact cleaning in clinical environments.