論文の概要、ライセンス

# (参考訳) 病院における緊急部門最適化と負荷予測 [全文訳有]

Emergency Department Optimization and Load Prediction in Hospitals ( http://arxiv.org/abs/2102.03672v1 )

ライセンス: CC BY 4.0
Karthik K. Padthe, Vikas Kumar, Carly M. Eckert, Nicholas M. Mark, Anam Zahid, Muhammad Aurangzeb Ahmad, Ankur Teredesai(参考訳) 過去数年間、世界中で、救急部門(ED)でケアを求める人々が増加しています。 看護スタッフを含むEDリソースは、そのような患者数の増加に悩まされている。 救急部門における患者容積の正確な予測は, ed資源の効率的な活用と配分に不可欠である。 我々は,太平洋岸北西部の郊外のEDと共同で,ED到着率とED患者数を予測する機械学習モデルを用いたツールを開発し,ED看護師などのエンドユーザの資源配分を支援した。 本論文では,私たちの予測モデルから得られた結果,課題,および実世界での臨床展開におけるツールを用いたユーザの経験から得られる学習について考察する。

Over the past several years, across the globe, there has been an increase in people seeking care in emergency departments (EDs). ED resources, including nurse staffing, are strained by such increases in patient volume. Accurate forecasting of incoming patient volume in emergency departments (ED) is crucial for efficient utilization and allocation of ED resources. Working with a suburban ED in the Pacific Northwest, we developed a tool powered by machine learning models, to forecast ED arrivals and ED patient volume to assist end-users, such as ED nurses, in resource allocation. In this paper, we discuss the results from our predictive models, the challenges, and the learnings from users' experiences with the tool in active clinical deployment in a real world setting.
公開日: Sat, 6 Feb 2021 21:52:51 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 b e F 6 1 2 0 2 b e F 6 0.85
] G L . ] G L。 0.79
s c [ 1 v 2 7 6 3 0 sc [ 1 v 2 7 6 3 0 0.68
. 2 0 1 2 : v i X r a . 2 0 1 2 : v i X r a 0.85
Emergency Department Optimization and Load Prediction in Hospitals 病院における緊急部門最適化と負荷予測 0.79
Karthik K. Padthe,1 Vikas Kumar,1 Carly M. Eckert MD MPH,1,2 Nicholas M. Mark MD,1,3 Karthik K. Padthe,1 Vikas Kumar,1 Carly M. Eckert MD MPH,1,2 Nicholas M. Mark MD,1,3 0.59
Anam Zahid,1 Muhammad Aurangzeb Ahmad,1,4 Ankur Teredesai,1,5 Anam Zahid,1 Muhammad Aurangzeb Ahmad,1,4 Ankur Teredesai,1,5 0.52
1KenSci Inc, Seattle, WA 1KenSci Inc, Seattle, WA 0.97
2Department of Epidemiology, University of Washington 2ワシントン大学疫学学科 0.59
3Swedish Medical Center, Seattle, WA 3swedish medical center, seattle, wa 0.77
4Department of Computer Science, University of Washington - Bothell 5Department of Computer Science, University of Washington - Tacoma {karthik, vikas, carly, drnick, anam, muhammad, ankur}@kensci.com 4Department of Computer Science, University of Washington - Bothell 5Department of Computer Science, University of Washington - Tacoma {karthik, vikas, carly, drnick, anam, muhammad, ankur}@kensci.com 0.94
Abstract Over the past several years, across the globe, there has been an increase in people seeking care in emergency departments (EDs). 概要 過去数年間、世界中で、救急部門(ED)でケアを求める人々が増加しています。 0.50
ED resources, including nurse staffing, are strained by such increases in patient volume. 看護スタッフを含むEDリソースは、そのような患者数の増加に悩まされている。 0.63
Accurate forecasting of incoming patient volume in emergency departments (ED) is crucial for efficient utilization and allocation of ED resources. 救急部門における患者容積の正確な予測は, ed資源の効率的な活用と配分に不可欠である。 0.76
Working with a suburban ED in the Pacific Northwest, we developed a tool powered by machine learning models, to forecast ED arrivals and ED patient volume to assist end-users, such as ED nurses, in resource allocation. 我々は,太平洋岸北西部の郊外のEDと共同で,ED到着率とED患者数を予測する機械学習モデルを用いたツールを開発し,ED看護師などのエンドユーザの資源配分を支援した。 0.71
In this paper, we discuss the results from our predictive models, the challenges, and the learnings from users’ experiences with the tool in active clinical deployment in a real world setting. 本論文では,私たちの予測モデルから得られた結果,課題,および実世界での臨床展開におけるツールを用いたユーザの経験から得られる学習について考察する。 0.81
Introduction Emergency departments (EDs) are a critical component of the healthcare infrastructure and ED crowding is a global problem. はじめに 救急部門(ED)は医療インフラの重要なコンポーネントであり、EDの混雑は世界的な問題です。 0.62
In 2016 there were over 140 million ED visits in the US (NCHS 2009). 2016年、米国では1億4000万人以上のED訪問があった(NCHS 2009)。 0.60
The number of ED patients is growing and, according to US data, this increase has outpaced population growth for the last 20 years (Weiss et al. ED患者の数は増加しており、米国データによると、この増加は過去20年間に人口増加を上回っている(Weissら)。 0.82
2006). As a result, EDs are increasingly crowded (McCarthy et al. 2006). その結果、EDはますます混雑している(McCarthyら)。 0.74
2008) and ED overcrowding has been linked to decreased quality of care (Schull et al. 2008年) と ED 過密は, ケアの質低下と関連している (Schull et al。 0.74
2003) (Hwang et al. 2003) (Hwang et al。 0.76
2006), increased costs (Bayley et al. 2006年)、コストの増大(ベイリー等)。 0.74
2005), and increased patient dissatisfaction (Jenkins et al. 2005)、および増加の患者の不満(Jenkinsら。 0.78
1998). Using machine learning models to predict ED load could ameliorate the adverse effects of crowding, and multiple strategies have been proposed, including forecasting future crowding (Hoot et al. 1998). 機械学習モデルを使用してED負荷を予測すると、混雑の悪影響が改善する可能性があり、将来の混雑予測を含む複数の戦略が提案されています(Hoot et al。 0.74
2009), predicting the likelihood of inpatient admission (Peck et al. 2009年, 入院の可能性を予測した(Peck et al。 0.69
2012), and predicting the likelihood that a patient will leave the ED without being seen (Pham et al. 2012)、および患者が見られないでEDを去る可能性を予測する(Pham et al。 0.69
2009). These solutions use a variety of administrative and patient level data to attempt to mitigate common ED bottlenecks, bottlenecks that uncorrected may lead to delays, inefficiencies, and even deaths (Carter, Pouch, and Larson 2014). 2009). これらのソリューションは、さまざまな管理レベルと患者レベルのデータを使用して、一般的なedボトルネックの軽減、未修正のボトルネックによる遅延、非効率性、さらには死(carter、pouch、larson 2014)の軽減を試みる。 0.68
Multiple factors influence ED crowding including the number of new patients coming to the ED (arrivals), how severely sick or injured patients are (acuity), and the total EDに来院する新しい患者(到着者)の数、重度の病気または負傷した患者(負傷者)の程度、および合計を含む複数の要因がED群集に影響を与えます。
訳抜け防止モード: EDに来院する新規患者数(到着者数)を含め、複数の要因がED群集に影響を与える。 重篤な病気や けがした患者が (明快さ) 合計は
0.84
Copyright © 2020, Association for the Advancement of Artificial Intelligence (www.aaai.org). 著作権©2020、人工知能の進歩のための協会(www.aaai.org)。 0.66
All rights reserved. Figure 1: Overview of set of prediction models that can help optimize Emergency Department efficiency. 全権利保有。 図1:緊急省の効率を最適化するのに役立つ予測モデルのセットの概要。 0.75
number of patients in the ED (census). ED (census) 患者の数。 0.59
Each of these factors have both stochastic and deterministic components (Jones et al. これらの因子はそれぞれ確率的成分と決定論的成分(Jones et al)を持っている。 0.62
2009) (Jones et al. 2009) (Jones et al。 0.80
2008) and are influenced by both exogenous (e.g., vehicle crashes) and endogenous factors (e.g., hospital processes). 2008年)と、外因性(自動車事故など)と内因性(病院のプロセスなど)の両方に影響を受けている。 0.68
In order to optimize ED flow, it is therefore necessary to integrate multiple predictions as shown in Figure 1. したがって、EDフローを最適化するためには、図1に示すように複数の予測を統合する必要がある。 0.71
If ED load could be accurately predicted, staffing could be adjusted to optimize patient care. ED負荷を正確に予測できれば、患者ケアを最適化するためにスタッフを調整できます。 0.69
The ability to predict the number of patients seeking ED care on a given day is essential to optimizing nurse staffing (Batal et al. EDケアを希望する患者数を予測する能力は,看護スタッフの最適化に不可欠である(Batal et al。 0.70
2001). Currently, ED nurse staffing is assigned using heuristics and anecdotes such as higher census on Mondays, on days following federal holidays, and with other factors such as changes in weather, traffic, and local sporting events. 2001). 現在、ED看護師のスタッフは、月曜日、連邦の休日の翌日、天気、交通、地元のスポーツイベントの変化などの他の要因で、高国勢調査などのヒューリスティックと逸話を使用して割り当てられています。 0.74
Inaccurate prediction can lead to inappropriate nurse to patient ratios which can lead to dangerous under-staffing, poor clinical outcomes, nursing dissatisfaction, and burnout (Aiken et al. 不正確な予測は、不適切な看護師と患者の比率につながり、危険下降、臨床成績の悪化、看護の不満、燃え尽き症候群(アイケンら)につながる可能性がある。
訳抜け防止モード: 不正確な予測は、患者比率に不適切な看護師につながる可能性があります。 悪い臨床結果、看護不満、およびバーンアウト(アイケンなど)。
0.60
2002). Matching staffing levels to the variation in daily patient demand can improve the quality of care and lead to cost savings. 2002). スタッフレベルを日々の患者需要の変化に合わせることで、ケアの質が向上し、コスト削減につながる。 0.79
Related Work In this paper, we present our work with a busy suburban ED in the Pacific Northwest that services a rapidly growing metropolitan area. 関連作品 本論文では、急速に成長している都市圏にサービスを提供する太平洋岸北西部の繁忙な郊外EDとの仕事を紹介します。 0.63
We describe the development of novel models to predict ED arrivals and census, the design of ED到着と国勢調査を予測する新しいモデルの開発について,その設計について述べる。 0.70
英語(論文から抽出)日本語訳スコア
an easily consumable dashboard integrated into the clinical workflow, and deployment of the dashboard using a live data feed. 簡単に使用できるダッシュボードが臨床ワークフローに統合され、ライブデータフィードを使用してダッシュボードをデプロイできる。 0.67
The current work also addresses a gap in the literature where there is a dearth of published work related to ED optimization in a real world setting and in production. 現在の仕事は、現実世界の設定と生産におけるED最適化に関連する出版された作業の不足がある文学のギャップにも対処します。 0.77
The availability of accessible data and computational resources has enabled the application of machine learning (ML) to healthcare at an unprecedented scale (Krumholz 2014). アクセス可能なデータと計算リソースの可用性により、前例のない規模で医療に機械学習(ML)を適用できるようになった(Krumholz 2014)。 0.77
While several research groups have developed ML predictions on retrospective and static ED data, operationalized ML solutions in the ED are rare. いくつかの研究グループは、レトロスペクティブと静的EDデータに関するML予測を開発したが、ED内の運用型MLソリューションは稀である。
訳抜け防止モード: いくつかの研究グループは、レトロスペクティブと静的EDデータに関するML予測を開発しました。 EDの運用MLソリューションはまれです。
0.68
Chase et al. Chase et al! 0.76
developed a novel indicator of a busy ED: a care utilization ratio (Chase et al. 忙しいEDの新しい指標:ケア利用率(Chase et al.)を開発しました。 0.68
2012). The authors report that the prediction of this ratio, which incorporates new ED arrivals, number of patients triaged, and physician capacity, provides a robust indicator of ED crowding. 2012). 著者らは, 新たなED到着率, トリアージ患者数, 医師能力を含むこの比率の予測が, ED群集の強い指標となることを報告した。 0.82
McCarthy et al. McCarthyら。 0.58
utilized a Poisson regression model to predict demand for ED services (McCarthy et al. Poisson回帰モデルを使用してEDサービスの需要を予測する(McCarthyなど)。 0.80
2008). They determined that after accounting for temporal, weather, and patient-related factors (hour of day is most important), ED arrivals during one hour had little to no association with the number of ED arrivals the following hour. 2008). その結果, 時間, 天気, 患者関連因子(日中の時間が最も重要である)を考慮に入れた上で, 1時間以内のEDの到着は, 翌日のEDの到着数とはほとんど関係がないことがわかった。 0.76
Jones et al. (Jones et al. ジョーンズなど。 (jonesら)。 0.53
2008) explored seasonal autoregressive integrated moving average (SARIMA), time series regression, exponential smoothing, and artificial neural network models to forecast daily patient volumes and also identified seasonal and weekly patterns in ED utilization. 2008) は, 季節的自己回帰統合移動平均 (SARIMA) , 時系列回帰, 指数的平滑化, 人工ニューラルネットワークモデルを用いて, 日常の患者数を予測するとともに, ED利用における季節的および週次パターンを同定した。 0.70
ED Predictions The goal of our work was to optimize ED operations by accurately predicting ED arrivals and ED patient census to facilitate staffing optimization to better manage the influxes and patterns of ED patients to provide safe and timely care. ED予測 本研究の目的は,ED患者の流入状況やパターンをよりよく管理し,安全かつタイムリーなケアを実現するために,ED患者およびED患者国勢調査を正確に予測し,ED患者の業務を最適化することであった。 0.69
Here we describe our approach to building the prediction models and we describe the metrics we used to evaluate the model accuracy. 本稿では,予測モデル構築のアプローチと,モデル精度評価に用いたメトリクスについて述べる。 0.75
Problem Description There are two distinct yet related ED load optimization problems that we address in this work, as described below: ED Census ED census is defined as the total number of patients in the ED at a specified time. 問題記述 本研究で提示する2つの異なる、関連するed負荷最適化問題は、以下のとおりである。 ed国勢調査 ed国勢調査は、特定時点におけるed患者の総数として定義される。 0.64
ED census includes patients in the waiting room, in triage, those receiving care, and those awaiting ED disposition: hospital admission, discharge, or transfer. ED国勢調査には、待合室、トリアージ、ケアを受ける患者、およびED処分を待っている患者が含まれます:入院、退院、または移転。 0.69
ED census is a ”snapshot” of ED utilization and includes elements related to ED arrivals as well as ED throughput. ED人口調査は、ED利用の“スナップショット”であり、ED到着に関連する要素とEDスループットを含んでいる。 0.66
Predicting ED census can serve to inform both short-term (minutes to hours) operations, such as reassigning staff or diverting ambulance arrivals and longerterm (hours or longer) administrative decisions, such as calling in additional staff or sending staff members home early. ED国勢調査の予測は、スタッフの配置変更や救急到着の分散、追加のスタッフの呼び出しやスタッフの早期送還といった長期(数時間以上)の行政判断といった短期(数分から数時間)の業務の両方に役立てることができる。 0.72
We formulated this problem as a prediction of ED census at t + 2 hours, t + 4 hours, and t + 8 hours, where t is the prediction time. この問題を,tが予測時間であるt + 2時間,t + 4時間,t + 8時間におけるed調査の予測として定式化した。 0.79
In production, these predictions are made every 15 minutes, resulting in near real-time predictions. プロダクションでは、これらの予測は15分毎に行われ、ほぼリアルタイムで予測される。 0.65
For instance, at 3:15 PM (t), we predict census for 5:15 PM (t + 2 hours), 7:15 PM (t + 4 hours), and 11:15 PM (t + 8 hours). 例えば、3:15 PM (t) では、5:15 PM (t + 2 時間)、7:15 PM (t + 4 時間)、11:15 PM (t + 8 時間) の国勢調査を予測しています。 0.75
Then at 3:30 PM (t), we predict 5:30 午後3時半(t)に5時半を予測します。 0.51
Table 1: ED Arrivals and Census Features. 表1:ED到着と国勢調査の特徴。 0.73
The prior census and slope Census are used only in census prediction model and prior arrival and slope arrival only in arrivals model. 前回の国勢調査と斜面国勢調査は、国勢調査予測モデルでのみ使用され、前回の到着と斜面到着は到着モデルでのみ使用される。 0.57
Feature Prior Census/Arrival 特徴 先行国勢調査・到着 0.54
Month of year Hour of day Day of Week Quarter of Year 曜日・曜日・曜日 年4回 0.41
Weekend Flag Evening Flag Slope census/arrivals 週末旗 夕方の旗 Slope population/arrivals 0.67
Description 4 features; census/arrival at 4 time events (at 15 min intervals) prior to prediction time, i.e. 説明 4: 予測時刻に先立って、4つのイベント(15分間隔)における国勢調査/調査。 0.72
15 min, 30 min, 45 min, 60 min. 15分、30分、45分、60分。 0.52
January - December (12 features) Hour of the day (24 features) Day of the week (7 features) Season: Q1 Winter, Q2 Spring, Q3 Summer, Q4 Autumn Flag if prediction on Saturday or Sunday Flag if prediction time between 20:00 and 08:00 Slope of change from prior census or arrival 1月-12月(12機能) 曜日(24機能) 曜日(7機能) 季節:Q1 冬、Q2 春、Q3 夏、Q4 秋の旗 土曜日または日曜日の旗の予測が20:00から08:00までの予測が前の国勢調査または到着から変化した場合。 0.78
PM (t + 2 hours), 7:30 PM (t + 4 hours), and 11:30 PM (t + 8 hours). PM (t + 2時間), 7:30 PM (t + 4時間), 11:30 PM (t + 8時間)である。 0.86
ED Arrivals and Acuity ED arrivals reflect the number of individual patients who are arriving at the ED over a period of time. ED ArrivalsとAcuity EDの到着は、EDに一定期間到着している患者の数を反映している。 0.71
Arrivals can be described by the acuity level of the individual patient, an indicator of illness or injury severity assessed by nursing staff at the time of patient triage (Gilboy et al. 到着は、個々の患者の視力レベル、患者のトリアージ(gilboy et al)の時に看護スタッフが評価した病気や怪我の重篤さの指標によって記述できる。 0.76
2012). Predictions of patient volume by acuity level can further inform staffing needs - higher acuity patients tend to have greater intensity of staff and resource needs. 2012). 体力レベルによる患者の容積の予測は、より高い体力の患者は、より強い体力と資源需要を持つ傾向にある。
訳抜け防止モード: 2012). acuity levelによる患者の容積予測はスタッフのニーズにさらに影響を与える -高視力患者は、スタッフや資源需要の強さが高くなる傾向がある。
0.79
Similar to the Census prediction, we framed the Arrivals prediction by acuity for 2, 4, and 8 hour forecasting. 国勢調査の予測と同様に、acuityによる到着予測を2時間、4時間、8時間予測で構成した。 0.68
To accommodate different patterns in the acuity of patients, we built models for each individual acuity level. 患者の明度に異なるパターンを対応させるため,各明度レベルのモデルを構築した。 0.83
Methods For both Census and Arrivals we include temporal features such as hour of day, day of week, month of year, and quarter of year. 方法 CensusとArrivalsには、時間、日、週、月、四半期といった時間的特徴が含まれています。
訳抜け防止モード: 方法 Census と Arrival には、時間や時間といった時間的な特徴が含まれています。 週、月、四半期などです。
0.71
To include the unique variations in census and arrival patterns in the evening compared to the morning as well as weekend versus weekday patterns, we included corresponding binary variables. 朝と週末と平日のパターンに比較して、夕の国勢調査や到着パターンの特異なバリエーションを含めるために、対応するバイナリ変数を収録した。 0.65
While ED census or ED arrival may be independent from one hour to the next, we use the current ED census trend to inform future ED census. ED国勢調査やED到着は1時間から次の時間に独立する可能性があるが、現在のED国勢調査の傾向を利用して将来のED国勢調査を知らせる。 0.54
To include signals for the current census trends in ED in our predictive models, we determine the slope from the census values in the previous 1 hour for every 15 minute intervals. 私たちの予測モデルにEDの現在の国勢調査傾向の信号を含めるために、我々は15分間隔ごとに前の1時間の国勢調査値から斜面を決定します。 0.74
In addition, we weighted values from these 15 minute intervals to that more recent values had higher weights. さらに,15分間隔の重み付け値から,より最近の値の重み付け値の重み付けを行った。 0.72
The census at t − 15 minutes, t − 30 minutes, t − 45 minutes, and t − 60 minutes is weighted with 2, 0.5, 0.25, and 0.05 respectively. t − 15分, t − 30分, t − 45分, t − 60分はそれぞれ2, 0.5, 0.25, 0.05である。 0.69
The weights were chosen empirically based on the performance metrics of the model. 重みはモデルのパフォーマンス指標に基づいて実証的に選択された。 0.70
Similar to Census, the arrivals for the Arrival prediction are weighted in the same way. 国勢調査と同様に、到着予測の到着も同じように重み付けされている。 0.67
The final set of features is shown in Table 1. 最後の機能セットは、テーブル1に示されます。 0.79
英語(論文から抽出)日本語訳スコア
Table 2: Distribution of ED Encounters by Acuity 表2: Acuity による ED カウンターの分布 0.83
ESI Number of Encounters 1 2 3 4 5 ESI番号 1 2 3 4 5。 0.66
1,435 46,436 116,808 33,023 2,315 199,957 1,435 46,436 116,808 33,023 2,315 199,957 0.43
Acuity Emergent Acuity‐Emergent 0.70
Urgent Non-Urgent Total Dataset Description The data for the experiments came from a suburban level three trauma center at a hospital in the Pacific Northwest with > 60, 000 annual ED visits. 緊急用不純物 総 データ説明 実験のデータは、太平洋岸北西部の病院にある郊外のレベル3の外傷センターから得られたもので、年間60万回以上のED訪問があった。 0.55
The ED comprises multiple treatment spaces including 40 acute treatment rooms and 4 trauma rooms for the resuscitation of critically ill patients. 重症患者の蘇生のための40の急性治療室と4つの外傷室を含む複数の治療室を備える。 0.86
Individuals are registered at the time of entry to the ED and all registered ED patients were included in this analysis. EDへの入院時に個人を登録し、登録されたED患者全員をこの分析に含めた。 0.75
ED encounters occurring between January 2014 through January 2018 were included in the experiments. 2014年1月から2018年1月にかけてのEDの遭遇は実験に含まれていた。 0.45
The dataset included electronic health record (EHR) data elements such as time, date, location, chief complaint, acuity score, vital signs, and others. データセットには、時間、日付、場所、主な苦情、視力スコア、バイタルサインなどの電子健康記録(EHR)データ要素が含まれていました。 0.75
This included 205, 929 ED encounters, of which 199, 957 encounters documented patient acuity. この中には205,929回のED遭遇があり、そのうち199,957回は患者の明度が記録された。 0.56
ESI is a categorical variable representing patient acuity (based on vital signs and symptoms) where ESI 1 connotes highest urgency and ESI 5 the lowest urgency (Gilboy et al. esiは、(生命徴候と症状に基づく)患者の視力を表すカテゴリー変数であり、esi 1は、最も緊急度が高く、esi 5は最も緊急度が低い(gilboy et al.)。
訳抜け防止モード: ESIは(重要な徴候および徴候に基づいて)患者acuityを表す分類変数です。 ESI 1は最も高い緊急性を示し、ESI 5は最も低い緊急性(Gilboy et al。
0.80
2012). We grouped these into three categories reflecting emergent (ESI 1 or 2), urgent (ESI 3), and non urgent (ESI 4 or 5). 2012). 緊急時(ESI1または2)、緊急時(ESI3)、非緊急時(ESI4または5)の3つのカテゴリーに分類した。
訳抜け防止モード: 2012). 我々はこれらを創発性(ESI 1 または 2 )を反映する3つのカテゴリに分類した。 緊急(ESI 3 )、非緊急(ESI 4 または 5 )。
0.79
The distribution of of the encounters split by ESI groups is shown in Table 2. ESIグループによって分割された出会いの分布を表2に示します。 0.88
Models Multiple regression models were evaluated for both Census and Arrivals predictions. モデル 複数の回帰モデルがセンサス予測と到着予測の両方で評価された。 0.67
We choose to use a Generalized Linear Model with Poisson Regression (GLM) for its simplicity and capability to model count data (Gardner, Mulvey, and Shaw 1995). 数値データ(gardner, mulvey, shaw 1995)をモデル化するための単純さと能力のために,poisson regression (glm) を用いた一般化線形モデルを選択する。 0.81
We included regularization variants of GLM that include Lasso, Ridge, and Elastic Net for validation. 我々は、検証のためにLasso、Rook、Elastic Netを含むGLMの正規化変種を含む。 0.66
We also included linear Gradient Boosting Machine (GBM) due to its robustness to missing data and predictive power (Friedman 2001). また,データ不足と予測力に対する堅牢性から,線形勾配ブースティングマシン (GBM) も導入した(Friedman 2001)。 0.77
We used the average arrivals and census values at that same time point from the prior two years as our baseline. これまでの2年間をベースラインとして,同時点の平均到着状況と国勢調査値を使いました。 0.71
We used scikit-learn package available in Python 3.6 to implement all models. すべてのモデルの実装には、python 3.6で利用可能なscikit-learnパッケージを使用しました。 0.54
Evaluation metrics We evaluate the performance of our models using root mean squared error (RMSE) and mean absolute error (MAE) (Verbiest, Vermeulen, and Teredesai 2014) which are suitable metrics for regression. 評価指標として,回帰に適した根平均二乗誤差 (RMSE) と平均絶対誤差 (MAE) (Verbiest, Vermeulen, Teredesai 2014) を用いてモデルの性能を評価する。 0.81
However, the real utility of ED load prediction is in staffing optimization. しかし、ED負荷予測の真の有用性は、スタッフの最適化にある。 0.55
Most common midsize US ED departments have an ED patient to nurse ratio of 4:1. 最も一般的な中規模の米国ED部門は、ED患者と看護師の比率が4:1です。 0.59
Based on this, we devised an additional metric: we determined the percentage of times the model prediction is within a threshold of ±4 (Absolute Error <= 4). モデル予測が±4(Absolute Error <= 4)のしきい値以内である割合を決定しました。
訳抜け防止モード: これに基づいて、私たちは追加のメトリクスを考案しました : モデル予測が±4(絶対誤差<=4)のしきい値内にある割合を決定した。
0.81
Furthermore, we also calculate the percentage of times that the model is accurate to within 70% of the actual value (Accu- さらに,モデルの精度が実際の値の70%以内である回数(Accu)も計算する。 0.67
Figure 2: Schematic showing the data sources, models, and resulting User and Model Health Dashboards. 図2: データソース、モデル、結果のユーザおよびモデルヘルスダッシュボードを表示するスキーマ。 0.66
The actual dashboard image is hidden due to privacy and data compliance. 実際のダッシュボードイメージは、プライバシーとデータコンプライアンスのために隠されています。 0.63
racy>70%). Racy>70%)。 0.71
These additional metrics frame the models performances in terms of their effects on user workflows and provide a simple understanding of the model performance under the system constraints while ensuring interpretability to end users. これらの追加のメトリクスは、ユーザーワークフローへの影響の観点からモデルパフォーマンスをフレーム化し、システムの制約下でのモデルパフォーマンスをシンプルに理解し、エンドユーザーに解釈可能性を保証する。 0.76
Furthermore, combining these models with a model management process to detect changes in model performance or shifts in underlying patient distributions, prevails as novel work. さらに、これらのモデルとモデル管理プロセスを組み合わせて、モデルパフォーマンスの変化や患者分布の変化を検出することは、新しい作業として一般的である。 0.72
Model management is an iterative process that includes monitoring and evaluating model performance to detect subtle (or unsubtle) changes in the underlying distribution of the data, permitting investigation and, if necessary, model re-training. モデル管理は、モデルパフォーマンスの監視と評価を含む反復的なプロセスであり、基礎となるデータ分布の微妙な(または不規則な)変化を検出し、調査を許可し、必要に応じてモデル再トレーニングを行う。
訳抜け防止モード: モデル管理は反復的なプロセスであり、 モデル性能のモニタリングと評価 データの基盤となる分布の微妙な変化(またはアンサール)を検出する 調査を許可し 必要なら model re - トレーニング。
0.87
We have implemented a workflow for automatic model monitoring; the overview of this is represented in Figure 2. 自動モデル監視のためのワークフローを実装しました。この概要は図2に示します。 0.79
As part of this workflow we created a user friendly dashboard to track the model performance and distributions, an example visual can be seen in Figure 3. このワークフローの一環として、モデルのパフォーマンスと分布を追跡するためのユーザーフレンドリーなダッシュボードを作成しました。
訳抜け防止モード: このワークフローの一部として、モデルのパフォーマンスとディストリビューションを追跡するユーザフレンドリーなダッシュボードを作成しました。 図3では視覚的な例を見ることができます。
0.70
Results Data from January 2014 to October 2017 was used to train the models and data from November 2017 to January 2018 was used to test the models. 2014年1月から2017年10月までのデータを使用して、2017年11月から2018年1月までのモデルとデータをトレーニングした。 0.70
The performance metrics of the census models for 2 hour prediction are shown in Table 4. 2時間予測のための国勢調査モデルのパフォーマンス指標を表4に示す。 0.76
The Gradient Boosting Method (GBM) performed the better among the set for all metrics which we believe is due to its robustness to the sparsity in the data. Gradient Boosting Method(GBM)は、データのスパース性に対する堅牢性のために、すべてのメトリクスのセットの中でより良いパフォーマンスを発揮しました。 0.72
The 4 and 8 hours GBM census model MAEs are 4.0739 and 4.2960 respectively. 4時間gbmのモデルmaesは、それぞれ4.0739と4.2960である。 0.69
The metric (Accuracy > 70%) shows that GBM is accurate 81.52% of times for a prediction within 70% of actual census. この指標(精度 > 70%)は、GBMが実際の国勢調査の70%以内の予測の81.52%の精度であることを示している。 0.72
And, the GBM is accurate 72.90% time for a prediction within a value of ±4 of actual census. そして、gbmは実際の国勢調査の±4の値で予測するのに72.90%の正確である。 0.70
For arrival models, we built 9 models, one for each acuity level and for each 2, 4 and 8 hours prediction. 到着モデルでは,各明度レベルと2,4,8時間毎に,9つのモデルを構築しました。 0.79
We observed that the gradient boosting model performed better than other models and the baseline for Emergent acuity encounters, where as for Urgent, Non-urgent acuity GLM models performed better. 我々は,勾配上昇モデルが他のモデルより優れていること,創発的明度遭遇の基準となること,そしてUrgent,Non-urgent Acuity GLMモデルが良好な結果を示した。 0.75
The results are shown in Table 3. 結果は表3に示されています。 0.76
The absolute error and accuracy were only available for a subset of models. 絶対誤差と精度はモデルのサブセットでのみ利用可能であった。 0.85
We observe that the MAE and RMSE for all models across different levels of acuity is similar if we consider 2 2 を考慮に入れると、異なる平均値の全てのモデルに対する MAE と RMSE が類似していることが観察される。 0.69
英語(論文から抽出)日本語訳スコア
Table 3: Results of 2, 4 and 8 hour Arrival prediction for GLM variants, GBM, and Baseline model for Emergent, Urgent and Non-urgent patients 表3:GLM変異体, GBM, Baselineモデルにおける緊急性, 緊急性および非緊急性患者の2, 4時間および8時間の到着予測結果 0.79
Acuity Absolute Error<4 Accuracy >70% 視力 絶対誤差<4精度>70%。 0.52
96.33 94.96 96.05 95.08 96.38 96.59 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA 96.33 94.96 96.05 95.08 96.38 96.59 na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na 0.53
32.80 31.96 32.45 31.91 32.97 21.63 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA 32.80 31.96 32.45 31.91 32.97 21.63 na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na na 0.39
8 hour 4 hour 2 hour 8時間 4時間 2時間 0.78
Time window Model GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM Baseline GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM 時間ウィンドウモデル GLM-Lasso GLM-Ridge GLM-Elastic GLM-Elastic GLM-Lasso GLM-Ridge GLM-Elastic GLM-Elastic GBM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM GLM-Lasso GLM-Ridge GLM-Elastic GLM-Elastic GLM-Lasso GLM-Lasso GLM-Ridge GLM-Elastic GLM-Lasso GLM-Lasso GLM-Ridge GLM-Elastic GLM-Lasso GLM-Ridge GLM-Lasso GLM-Ridge GLM-Elastic GLM-Lasso GLM-Ridge GLM-Lasso GLM-Ridge GLM-Elastic GLM-Lasso GLM-Ridge GLM-Elastic GLM-Lasso GLM-Ridge GLM 0.55
4 hour 8 hour 2 hour 4時間 8時間 2時間 0.78
4 hour 8 hour 2 hour 4時間 8時間 2時間 0.78
RMSE MAE 1.4267 1.9747 1.5400 2.1492 1.4451 2.0039 2.1494 1.5396 1.4283 1.9768 1.5174 2.0278 1.4272 1.9749 2.1913 1.5642 1.4615 2.0318 1.5467 2.1700 1.4276 1.9786 2.1928 2.9998 3.5831 2.6451 2.2680 3.1154 2.5060 3.4307 2.2217 3.0391 1.5022 1.1088 1.1576 1.5837 1.1168 1.5116 1.1451 1.5630 1.6891 2.4042 1.5010 1.1082 1.1511 1.5883 1.1102 1.5065 1.1311 1.5514 1.6914 2.4066 2.1792 1.6305 1.8841 2.4764 1.6917 2.2214 1.8109 2.3984 3.9960 2.8792 2.0017 2.5903 2.0874 2.6859 1.9996 2.5911 2.0412 2.6572 4.0945 3.5052 2.0069 2.5987 2.0956 2.7321 2.0038 2.5989 2.7022 2.0918 3.5214 4.1064 2.9291 3.7944 3.2661 4.2303 2.9463 3.8033 4.3284 3.3386 6.8340 7.6992 RMSE MAE 1.4267 1.9747 1.5400 2.1492 1.4451 2.0039 2.1494 1.5396 1.4283 1.9768 1.5174 2.0278 1.4272 1.9749 2.1913 1.5642 1.4615 2.0318 1.5467 2.1700 1.4276 1.9786 2.1928 2.9998 3.5831 2.6451 2.2680 3.1154 2.5060 3.4307 2.2217 3.0391 1.5022 1.1088 1.1576 1.5837 1.1168 1.5116 1.1451 1.5630 1.6891 2.4042 1.5010 1.1082 1.1511 1.5883 1.1102 1.5065 1.1311 1.5514 1.6914 2.4066 2.1792 1.6305 1.8841 2.4764 1.6917 2.2214 1.8109 2.3984 3.9960 2.8792 2.0017 2.5903 2.0874 2.6859 1.9996 2.5911 2.0412 2.6572 4.0945 3.5052 2.0069 2.5987 2.0956 2.7321 2.0038 2.5989 2.7022 2.0918 3.5214 4.1064 2.9291 3.7944 3.2661 4.2303 2.9463 3.8033 4.3284 3.3386 6.8340 7.6992 0.40
Emergent Urgent Non-Urgent 創発 緊急 Non‐Urgent 0.58
英語(論文から抽出)日本語訳スコア
Figure 3: Monitoring model performance in deploymentExample of predicted vs actual census for the 2 hour census prediction model over the course of one day 図3: デプロイにおけるモデルパフォーマンスのモニタリング1日の経過における2時間の国勢調査予測モデルに対する実際の国勢調査対予測の例 0.75
hour and 4 hour windows. 時間および4時間の窓。 0.79
However, the performance goes down if we consider 8 hour windows. しかし、8時間のウィンドウを考えるとパフォーマンスは低下します。 0.81
This is not unexpected since trends can greatly vary across longer time spans e.g., compare ED trends at 2 am vs. 10 am. この傾向は、例えば午前2時と午前10時のED傾向を比較するなど、長い時間にわたって大きく変化する可能性があるため、予想外ではない。 0.55
ED Experience A key differentiator of the work that we present here is that our prediction models were fully operationalized into the clinical workflow, that of the ED charge nurse. ED経験 ここで紹介する研究の重要な差別化要因は,我々の予測モデルが,EDチャージ看護師による臨床ワークフローに完全に統合されたことである。 0.74
Through collaborative design and planning sessions with ED nurses and other health system stakeholders, we developed an ED dashboard to surface the results of our predictions. ED看護師や他の医療システムステークホルダーとの協調設計と計画セッションを通じて、予測結果を明らかにするためのEDダッシュボードを開発した。 0.69
Prediction based tools are often beset by difficulties in end-user understanding of probability based results (Jeffery et al. 予測ベースのツールは、確率ベースの結果に対するエンドユーザの理解の難しさ(jefferyなど)によってしばしば設定される。 0.63
2017). Part of the solution to this problem is the early incorporation of end-user feedback and open discussions around tool utility. 2017). この問題に対する解決策のひとつは、エンドユーザからのフィードバックの早期導入とツールユーティリティに関するオープンな議論である。 0.78
Our dashboard was deployed for 6 months as part of pilot in a large suburban ED. 当社のダッシュボードは、大郊外のEDでパイロットとして6ヶ月間デプロイされました。 0.63
As part of this pilot, data quality was monitored continuously and multiple ML models were scored at 15 minute intervals. このパイロットの一部として、データ品質を継続的に監視し、複数のMLモデルを15分間隔でスコア付けした。 0.66
End-user training was conducted during the pilot period. エンドユーザー訓練はパイロット期間に行われた。 0.78
During this period charge nurses completed forms at the conclusion of each shift documenting their use of the dashboard and any actions the dashboard prompted (such as calling in additional staff for projected high load or sending staff home early for projected low load). この期間中、看護師は、ダッシュボードの使用を文書化する各シフトの終了時にフォームを完了し、ダッシュボードが指示したあらゆるアクション(高負荷を予測するために追加のスタッフを呼ぶか、低負荷を予測するために早めにスタッフを家に送るなど)。 0.57
In addition to the potential impact on nurse staffing, accurately forecasting ED arrivals and census may optimize care delivery in other ways - such as reducing waiting times, ED length of stay, and rates of patients leaving without being seen. ナーススタッフシップへの影響の可能性のあることに加えて、edの到着や国勢調査の正確な予測は、待機時間、滞在時間の短縮、患者の退院率など、他の方法でケアデリバリーを最適化する可能性がある。 0.61
These additional key performance indicators (KPIs) were also be evaluated to determine the clinical utility of the deployed predictions. これらの追加のキーパフォーマンス指標 (KPI) も, 展開予測の臨床的有用性を決定するために評価された。 0.78
The iterative nature of this approach speaks to the engagement needs of the clinical end-users and the imperative of operationalizing machine learning in healthcare. このアプローチの反復的な性質は、臨床エンドユーザーのエンゲージメントニーズと、ヘルスケアにおける機械学習の運用の必須である。 0.74
While accurate predictions are key to implementation success and end-user adoption, simple metrics such as prevalence of accuracy above a threshold (Accuracy > 70%) will help health system stakeholders evaluate the impact and maintenance cost over a period of time. 正確な予測は実装の成功とエンドユーザーの採用の鍵となりますが、精度がしきい値を超えるという単純な指標(精度 > 70%)は、ヘルスシステムのステークホルダが一定期間にわたって影響とメンテナンスコストを評価するのに役立ちます。 0.75
Discussion Our work demonstrates that subtle patterns in exogenous and endogenous variability in patient flow can be utilized to predict, with high accuracy, ED patient arrivals and census. 討論 本研究は, 患者フローにおける外因性および内因性変動の微妙なパターンを用いて, 高精度, ed患者到着および国勢調査を予測できることを実証する。 0.66
Deployment of ML-based predictive models into a complex clinical workflow is challenging. 複雑な臨床ワークフローへのMLベースの予測モデルの導入は困難です。 0.71
However, predicting ED census is an ideal ML healthcare problem to study for several reasons. しかし、ED国勢調査を予測することはいくつかの理由で研究するのに理想的なMLヘルスケア問題です。
訳抜け防止モード: しかし、ED国勢調査の予測 いくつかの理由で研究する理想的なML医療問題です。
0.60
First, predicting ED census every 15 minutes across 12 different models allows for 1, 152 predictions daily. まず、12の異なるモデルで15分ごとにEDの国勢調査を予測すると、毎日1,152の予測が可能になります。
訳抜け防止モード: まず12種類のモデルで15分ごとにedを予測します 1日当たり1,152の予測が可能。
0.72
Each prediction is clearly falsifiable with a measurable outcome (the actual number of arrivals and patient census), and the follow-up interval is short (e.g., one must only wait 8 hours to determine the accuracy of all predictions). 各予測は、測定可能な結果(実際の到着数と患者国勢調査)と明確に一致し、フォローアップ間隔は短い(例えば、すべての予測の正確性を決定するのに8時間しか待たなければならない)。 0.83
Second, many healthcare ML models are degraded by data censoring; for example, when predicting 30-day hospital readmissions, patients may avoid readmission, they may be readmitted at another facility. 第二に、多くのヘルスケアMLモデルはデータ検閲によって劣化する。例えば、30日間の病院の予約を予測した場合、患者は読み出しを避けることができ、別の施設で読み取ることができる。 0.59
Additionally, according to the work of Jeffery and colleagues, prediction based tools are most useful when prompt decision and action are warranted by the endusers (Jeffery et al. さらに、Jefferyと同僚の作業によると、予測ベースのツールは、迅速な意思決定とアクションがエンドユーザによって保証される場合に最も役立ちます(Jefferyなど)。 0.64
2017), however in some cases, such as predicting hospital readmissions, the action of the clinician can alter the outcome, thus making the prediction appear erroneous. しかし、2017年)では、病院の入院を予知するなど、臨床医の行動が結果を変える可能性があるため、予測が誤って見えるケースもある。 0.63
In predicting ED load, there are no actions that the users can take (other than the ED going on diversion status, which is done only seldom) that will alter the number of arrivals or census. ed負荷の予測では、利用者が行うことのできる行動は(ほとんど行われない陽動状態のed以外は)、到着数や国勢調査数を変更することができない。
訳抜け防止モード: ED負荷の予測では、ユーザが(EDが反転状態になる以外)取ることができるアクションは存在しない。 これはめったに行われない) 到着数や国勢調査を変える。
0.70
The large number of predictions, the short follow-up interval, and the availability of ’perfect information’ about outcomes (akin to ’perfect information’ games like chess) makes ED load prediction an ideal place to optimize model management processes. 大量の予測、短いフォローアップ間隔、結果に関する‘完全な情報’(チェスのような‘完全な情報’)の可用性は、ED負荷予測をモデル管理プロセスを最適化するための理想的な場所にする。 0.84
We are continuing to improve the performance and clinical utility of these models by integrating additional data sources into our predictions. さらなるデータソースを予測に統合することで、これらのモデルのパフォーマンスと臨床的有用性を改善し続けています。 0.75
These sources can include events or include: local weather data, local sporting events, local traffic, local emergency medical services (EMS) activity, and Google Trends searches. これらのソースには、地元の天気データ、地元のスポーツイベント、地元の交通、地元の救急医療サービス(EMS)活動、およびGoogleトレンド検索が含まれます。 0.71
We plan to further improve this solution by providing interpretability for the predictions to help ED staff make informed decisions. EDスタッフの意思決定を支援するために、予測の解釈可能性を提供することで、このソリューションをさらに改善する予定です。 0.60
(Ahmad, Eckert, and Teredesai 2018) (Ahmad, Eckert, Teredesai 2018) 0.73
References [Ahmad, Eckert, and Teredesai 2018] Ahmad, M. A.; Eckert, C.; and Teredesai, A. 参考文献 [Ahmad, Eckert, and Teredesai 2018]Ahmad, M. A., Eckert, C., Teredesai, A。 0.74
2018. Interpretable machine learning in healthcare. 2018. 医療における解釈可能な機械学習。 0.73
In Proceedings of the 2018 ACM international conference on bioinformatics, computational biology, and health informatics, 559–560. バイオインフォマティクス、計算生物学、健康情報学に関する2018 ACM国際会議のProceedingsにおいて、559–560。 0.69
[Aiken et al. [Aiken et al] 0.76
2002] Aiken, L. H.; Clarke, S. P.; Sloane, D. M.; Sochalski, J.; and Silber, J. H. 2002. 2002] Aiken, L.H.; Clarke, S.P.; Sloane, D.M.; Sochalski, J.; Silber, J.H. 2002。 0.94
Hospital nurse staffing and patient mortality, nurse burnout, and job dissatisfaction. 看護婦のスタッフと患者死亡、看護師のバーンアウト、仕事の不満。 0.65
volume 288, 1987–1993. 巻288, 1987–1993。 0.62
American Medical Association. アメリカ医学会会員。 0.73
J.; McMillan, S.; [Batal et al. J.; McMillan, S.; [Batal et al。 0.84
2001] Batal, H.; Tench, Adams, J.; and Mehler, P. S. 2001. 2001] Batal, H.; Tench, Adams, J.; and Mehler, P. S. 2001 0.88
Predicting patient visits to an urgent care clinic using calendar variables. カレンダー変数を用いた緊急ケアクリニックへの患者訪問の予測。 0.76
volume 8, 48–53. Wiley Online Library. 巻8、48-53。 Wiley Online Libraryの略。 0.56
[Bayley et al. 2005] Bayley, M. D.; Schwartz, J. S.; Shofer, F. S.; Weiner, M.; Sites, F. D.; Traber, K. B.; and Hollander, J. E. 2005. [Bayleyら] 2005] Bayley, M. D.; Schwartz, J. S.; Shofer, F. S.; Weiner, M.; Sites, F. D.; Traber, K. B.; and Hollander, J. E. 2005。 0.74
The financial burden of emergency de- 緊急事態時の財政負担- 0.79
英語(論文から抽出)日本語訳スコア
Table 4: Results of 2, 4 and 8 hour Census prediction for GLM variants, GBM, and Baseline model. 表4: GLM変異体、GCM、およびベースラインモデルの2, 4および8時間の国勢調査予測の結果。 0.80
The baseline is average of census at that hour in previous 2 years. ベースラインは、過去2年間のその時間の平均国勢調査です。 0.64
Absolute Error<4 Accuracy >70% 絶対誤差<4精度>70%。 0.79
2 hour Time window Model GLM GLM-Lasso GLM-Ridge GLM-Elastic Net GBM Baseline GLM(4 hour) GLM-Lasso(4 hour) GLM-Ridge(4 hour) GLM-Elastic Net(4 hour) GBM(4 hour) GLM(8 hour) GLM-Lasso(8 hour) GLM-Ridge(8 hour) GLM-Elastic Net(8 hour) GBM(8 hour) 2時間 時間ウィンドウモデル GLM-Lasso GLM-Ridge GLM-Elastic GLM-Elastic Baseline GLM(4時間) GLM-Lasso(4時間) GLM-Ridge(4時間) GLM-Elastic Net(4時間) GBM(4時間) GLM(8時間) GLM-Lasso(8時間) GLM-Ridge(8時間) GLM-Elastic Net(8時間) GBM(8時間) 0.83
RMSE MAE 3.3812 4.3343 3.6642 4.6816 3.4975 4.5305 4.6550 3.6395 3.2790 4.2013 5.3926 6.9026 4.0173 5.1491 6.0410 4.6643 4.1111 5.2855 4.7468 6.1962 4.0241 5.1784 4.2960 5.5026 6.1726 4.8158 4.3632 5.5829 5.1085 6.6123 5.6013 4.3693 RMSE MAE 3.3812 4.3343 3.6642 4.6816 3.4975 4.5305 4.6550 3.6395 3.2790 4.2013 5.3926 6.9026 4.0173 5.1491 6.0410 4.6643 4.1111 5.2855 4.7468 6.1962 4.0241 5.1784 4.2960 5.5026 6.1726 4.8158 4.3632 5.5829 5.1085 6.6123 5.6013 4.3693 0.42
4 hour 8 hour 71.80 68.41 70.79 69.45 72.90 51.19 64.66 56.92 63.85 57.32 64.35 61.42 55.62 60.68 53.79 60.50 4時間 8時間 71.80 68.41 70.79 69.45 72.90 51.19 64.66 56.92 63.85 57.32 64.35 61.42 55.62 60.68 53.79 60.50 0.66
80.42 77.83 72.80 78.47 81.52 60.19 74.95 68.78 74.44 67.59 75.05 72.51 67.26 72.25 64.54 71.99 80.42 77.83 72.80 78.47 81.52 60.19 74.95 68.78 74.44 67.59 75.05 72.51 67.26 72.25 64.54 71.99 0.41
partment congestion and hospital crowding for chest pain patients awaiting admission. 入室を待っていた胸痛患者に対する分断混雑と病院群集 0.77
volume 45, 110–117. 巻45, 110-117。 0.53
Elsevier. [Carter, Pouch, and Larson 2014] Carter, E. J.; Pouch, S. M.; and Larson, E. L. 2014. Elsevier [Carter, Pouch, and Larson 2014] Carter, E. J.; Pouch, S. M.; and Larson, E. L. 2014] 0.73
The relationship between emergency department crowding and patient outcomes: a systematic review. 緊急部門の混雑と患者の結果の関係:体系的なレビュー。 0.80
volume 46, 106–115. 第46巻、106-115頁。 0.31
[Chase et al. [Chase et al] 0.68
2012] Chase, V. J.; Cohn, A. E.; Peterson, T. A.; and Lavieri, M. S. 2012. 2012] Chase, V. J.; Cohn, A. E.; Peterson, T. A.; and Lavieri, M. S. 2012 0.97
Predicting emergency department volume using forecasting methods to create a “surge response” for noncrisis events. 非危機イベントの「サージレスポンス」を作成するための予測手法を用いた救急部容積の予測 0.76
volume 19, 569–576. 巻19, 569–576。 0.62
Wiley Online Library. Wiley Online Libraryの略。 0.71
[Friedman 2001] Friedman, J. H. 2001. Friedman 2001] Friedman, J.H. 2001。 0.84
Greedy function approximation: a gradient boosting machine. グリーディ関数近似:勾配ブースティングマシン。 0.59
1189–1232. 1189–1232. 0.71
JSTOR. [Gardner, Mulvey, and Shaw 1995] Gardner, W.; Mulvey, E. P.; and Shaw, E. C. 1995. JSTOR。 [Gardner, Mulvey, and Shaw 1995] Gardner, W., Mulvey, E. P., and Shaw, E. C. 1995] 0.87
Regression analyses of counts and rates: Poisson, overdispersed poisson, and negative binomial models. カウントとレートの回帰分析:ポアソン、過分散ポアソン、負の二項モデル。 0.62
volume 118, 392. 巻118、巻392。 0.60
American Psychological Association. アメリカ心理学会会員。 0.70
[Gilboy et al. [Gilboy et al] 0.78
2012] Gilboy, N.; Tanabe, P.; Travers, D.; Rosenau, A. M.; et al. 2012年] Gilboy, N.; Tanabe, P.; Travers, D.; Rosenau, A.M.; et al。 0.90
2012. Emergency severity index (esi): a triage tool for emergency department care, version 4. 2012. 緊急重症度指数(esi):救急部門ケアのためのトリアージツール、バージョン4。 0.79
12–0014. [Hoot et al. 12–0014. [Hoot et al] 0.73
2009] Hoot, N. R.; LeBlanc, L. J.; Jones, I.; Levin, S. R.; Zhou, C.; Gadd, C. S.; and Aronsky, D. 2009. 2009年] Hoot, N.R.; LeBlanc, L.J.; Jones, I.; Levin, S.R.; Zhou, C.; Gadd, C.S.; Aronsky, D. 2009。 0.94
Forecasting emergency department crowding: A prospective, real-time evaluation. 予知救急室群集: 予測可能かつリアルタイムな評価。 0.65
volume 16, 338–345. 巻16、338-345。 0.59
[Hwang et al. [Hwang et al] 0.78
2006] Hwang, U.; Richardson, L. D.; Sonuyi, T. O.; and Morrison, R. S. 2006. 2006]Hwang, U.; Richardson, L. D.; Sonuyi, T. O.; and Morrison, R. S. 2006。 0.97
The effect of emergency department crowding on the management of pain in older adults with hip fracture. 高齢者股関節骨折の痛み管理における緊急部群集の影響 0.57
volume 54, 270–275. 巻54、270-275。 0.56
Wiley Online Library. Wiley Online Libraryの略。 0.71
[Jeffery et al. [Jeffery et al.] 0.75
2017] Jeffery, A. D.; Novak, L. L.; Kennedy, B.; Dietrich, M. S.; and Mion, L. C. 2017. 2017年]Jeffery, A. D., Novak, L. L., Kennedy, B., Dietrich, M. S., Mion, L. C. 2017 0.87
Participatory design of probability-based decision support tools for in- 確率に基づく内的意思決定支援ツールの参加設計 0.88
hospital nurses. volume 24, 1102–1110. 病院の看護師 巻24, 1102–1110。 0.66
Oxford University Press. オックスフォード大学出版局。 0.75
[Jenkins et al. [ Jenkins et al] 0.64
1998] Jenkins, M. G.; Rocke, L. G.; McNicholl, B. P.; and Hughes, D. M. 1998. 1998] Jenkins, M. G.; Rocke, L. G.; McNicholl, B. P.; and Hughes, D. M. 1998。 0.97
Violence and verbal abuse against staff in accident and emergency departments: a survey of consultants in the uk and the republic of ireland. 事故と緊急部門における職員に対する暴力と言葉による虐待:英国とアイルランドのコンサルタントによる調査。 0.71
volume 15, 262–265. 巻15, 262-265。 0.50
British Association for Accident and Emergency Medicine. 英国事故・救急医療協会の会員。 0.69
[Jones et al. [Jones et al.] 0.78
2008] Jones, S. S.; Thomas, A.; Evans, R. S.; Welch, S. J.; Haug, P. J.; and Snow, G. L. 2008. 2008] Jones, S. S.; Thomas, A.; Evans, R. S.; Welch, S. J.; Haug, P. J.; and Snow, G. L. 2008 0.97
Forecasting daily patient volumes in the emergency department. 救急部門における毎日の患者数予測 0.69
volume 15, 159–170. 巻15・159・170。 0.58
Wiley Online Library. Wiley Online Libraryの略。 0.71
[Jones et al. [Jones et al.] 0.78
2009] Jones, S. S.; Evans, R. S.; Allen, T. L.; Thomas, A.; Haug, P. J.; Welch, S. J.; and Snow, G. L. 2009. 2009] Jones, S. S.; Evans, R. S.; Allen, T. L.; Thomas, A.; Haug, P. J.; Welch, S. J.; and Snow, G. L. 2009 0.98
A multivariate time series approach to modeling and forecasting demand in the emergency department. 緊急部門における需要のモデリングと予測に対する多変量時系列アプローチ。 0.86
volume 42, 123–139. 巻42, 123-139。 0.56
Elsevier. [Krumholz 2014] Krumholz, H. M. 2014. Elsevier [krumholz 2014] krumholz, h.m. 2014] 0.70
Big data and new knowledge in medicine: The thinking, training, and tools needed for a learning health system. 医学におけるビッグデータと新しい知識: 学習健康システムに必要な思考、トレーニング、ツール。 0.73
volume 33, 1163–1170. 巻33, 1163–1170。 0.69
[McCarthy et al. 【McCarthy et al。 0.78
2008] McCarthy, M. L.; Zeger, S. L.; Ding, R.; Aronsky, D.; Hoot, N. R.; and Kelen, G. D. 2008. 2008年] McCarthy, M.L.; Zeger, S.L.; Ding, R.; Aronsky, D.; Hoot, N.R.; Kelen, G.D. 2008。 0.95
The challenge of predicting demand for emergency department services. 救急サービスに対する需要予測の課題。 0.50
volume 15, 337–346. 巻15:337-346。 0.45
Wiley Online Library. Wiley Online Libraryの略。 0.71
[NCHS 2009] NCHS. [NCHS 2009]NCHS。 0.73
2009. National hospital ambulatory medical care survey: 2015 emergency department summary tables. 2009. 国立病院救急医療調査:2015緊急部の概要表。 0.77
[Peck et al. 2012] Peck, J. S.; Benneyan, J. C.; Nightingale, D. J.; and Gaehde, S. A. [peckら。 2012] Peck, J. S., Benneyan, J. C., Nightingale, D. J., Gaehde, S. A。 0.67
2012. Predicting emergency department inpatient admissions to improve same-day patient flow: Predicting ed inpatient admissions. 2012. 同日患者フローを改善するための救急部入院の予測 : 救急部入院の予測 0.80
volume 19, E1045–E1054. 第19巻E1045-E1054。 0.47
[Pham et al. [Pham et al] 0.76
2009] Pham, J. C.; Ho, G. K.; Hill, P. M.; McCarthy, M. L.; and Pronovost, P. J. 2009年] Pham, J.C.; Ho, G.K.; Hill, P.M.; McCarthy, M.L.; Pronovost, P.J。 0.94
2009. National study of patient, visit, and hospital characteristics associated with 2009. 患者、訪問、および病院の特徴に関する全国的研究 0.82
英語(論文から抽出)日本語訳スコア
leaving an emergency department without being seen: predicting lwbs. 緊急治療室を出て lwbsを予測しています 0.60
volume 16, 949–955. 巻16, 949–955。 0.60
Wiley Online Library. Wiley Online Libraryの略。 0.71
[Schull et al. [Schull et al] 0.74
2003] Schull, M. J.; Morrison, L. J.; Vermeulen, M.; and Redelmeier, D. A. 2003] Schull, M. J.; Morrison, L. J.; Vermeulen, M.; and Redelmeier, D. A。 0.94
2003. Emergency department overcrowding and ambulance transport delays for patients with chest pain. 2003. 緊急部門は胸痛の患者のための混雑し、救急車輸送の遅れ。 0.75
volume 168, 277–283. 巻168、277-283。 0.58
Can Med Assoc. メド・アソック(Med Assoc)とも。 0.35
[Verbiest, Vermeulen, and Teredesai 2014] Verbiest, N.; Vermeulen, K.; and Teredesai, A. [Verbiest, Vermeulen, and Teredesai 2014]Verbiest, N.; Vermeulen, K.; Teredesai, A. 0.77
2014. Evaluation of classification methods. 2014. 分類方法の評価。 0.80
In Data classification: algorithms and applications. データ分類:アルゴリズムとアプリケーション。 0.65
CRC Press. [Weiss et al. CRCプレス。 [Weiss et al.] 0.76
2006] Weiss, A. J.; Wier, L. M.; Stocks, C.; and Blanchard, J. 2006]Weiss, A. J.; Wier, L. M.; Stocks, C.; and Blanchard, J。 0.83
2006. Overview of emergency department visits in the united states, 2011: statistical brief# 174. 2006. 2011年、米国における緊急部門訪問の概要:統計的概要#174。 0.78
Agency for Healthcare Research and Quality (US), Rockville (MD). Agency for Healthcare Research and Quality (米国)、Rockville (MD)。 0.75
               ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。