論文の概要: Service Selection using Predictive Models and Monte-Carlo Tree Search
- arxiv url: http://arxiv.org/abs/2002.04852v1
- Date: Wed, 12 Feb 2020 09:04:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 20:03:56.316412
- Title: Service Selection using Predictive Models and Monte-Carlo Tree Search
- Title（参考訳）: 予測モデルとモンテカルロ木探索を用いたサービス選択
- Authors: Cliff Laschet, Jorn op den Buijs, Mark H. M. Winands, Steffen Pauws
- Abstract要約: 本稿では,治療効果の向上と再入院コストの低減を図るための自動サービス選択手法を提案する。
国家ホーム・ホスピスケアサーベイ(NHHCS)データセットを用いて,介護サービスが再入院のリスクに与える影響を定量化する予測モデルを開発した。
開発モデルはモンテカルロ木探索 (MCTS) に組み込まれ, 緊急再ホスピタライゼーションのリスクを最小限に抑えるサービスの組み合わせを最適に決定する。
- 参考スコア（独自算出の注目度）: 1.2599533416395763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article proposes a method for automated service selection to improve
treatment efficacy and reduce re-hospitalization costs. A predictive model is
developed using the National Home and Hospice Care Survey (NHHCS) dataset to
quantify the effect of care services on the risk of re-hospitalization. By
taking the patient's characteristics and other selected services into account,
the model is able to indicate the overall effectiveness of a combination of
services for a specific NHHCS patient. The developed model is incorporated in
Monte-Carlo Tree Search (MCTS) to determine optimal combinations of services
that minimize the risk of emergency re-hospitalization. MCTS serves as a risk
minimization algorithm in this case, using the predictive model for guidance
during the search. Using this method on the NHHCS dataset, a significant
reduction in risk of re-hospitalization is observed compared to the original
selections made by clinicians. An 11.89 percentage points risk reduction is
achieved on average. Higher reductions of roughly 40 percentage points on
average are observed for NHHCS patients in the highest risk categories. These
results seem to indicate that there is enormous potential for improving service
selection in the near future.
- Abstract（参考訳）: 本稿では,治療効果の向上と再入院コストの低減を図るための自動サービス選択手法を提案する。
nhhcs(national home and hospice care survey)データセットを用いて,再ホスピタリゼーションリスクに対するケアサービスの効果を定量化する予測モデルを開発した。
患者の特徴やその他の選択されたサービスを考慮して、モデルは特定のnhhcs患者に対するサービスの組み合わせの全体的な有効性を示すことができる。
開発モデルはモンテカルロ木探索 (MCTS) に組み込まれ, 緊急再ホスピタライゼーションのリスクを最小限に抑えるサービスの組み合わせを最適に決定する。
この場合、MCTSはリスク最小化アルゴリズムとして機能し、探索中のガイダンスの予測モデルを使用する。
本手法をNHHCSデータセットに用いて, 臨床医が行ったオリジナル選択と比較して, 再入院リスクの大幅な低減が観察された。
11.89ポイントのリスク低減が平均で達成される。
NHHCS患者では最もリスクの高いカテゴリーで約40ポイントの低下が観察された。
これらの結果は、近い将来、サービス選択を改善する大きな可能性を示唆しているようだ。
関連論文リスト
- A Novel Characterization of the Population Area Under the Risk Coverage Curve (AURC) and Rates of Finite Sample Estimators [15.294324192338484]
重み付きリスク関数として解釈可能なAURCのより直接的な表現を導入し,モンテカルロプラグイン推定器を提案する。
複数のデータセットにまたがる包括的なベンチマークにおいて、この推定器の有効性を実証的に示す。
論文 参考訳（メタデータ） (2024-10-20T11:14:51Z) - Improving Machine Learning Based Sepsis Diagnosis Using Heart Rate Variability [0.0]
本研究の目的は、心拍変動(HRV)機能を用いて、敗血症検出のための効果的な予測モデルを開発することである。
ニューラルネットワークモデルは、HRVの特徴に基づいてトレーニングされ、F1スコアは0.805、精度は0.851、リコールは0.763である。
論文 参考訳（メタデータ） (2024-08-01T01:47:29Z) - Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。
本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
論文 参考訳（メタデータ） (2024-07-19T19:07:53Z) - A comparative study on feature selection for a risk prediction model for
colorectal cancer [0.0]
この研究は大腸癌に焦点を当て、リスク予測モデルのパフォーマンスの観点からいくつかの特徴ランキングアルゴリズムを評価する。
この研究で提案された視覚的アプローチにより、ニューラルネットワークベースのラッパーランキングが最も不安定であり、ランダムフォレストが最も安定である。
論文 参考訳（メタデータ） (2024-02-07T22:14:14Z) - A recommender for the management of chronic pain in patients undergoing
spinal cord stimulation [40.471043324087795]
脊髄刺激(英: Spinal cord stimulation, SCS)は、慢性痛の治療に用いられる治療法である。
SCSを施行した慢性痛患者の痛み管理のためのレコメンデーションシステムを提案する。
論文 参考訳（メタデータ） (2023-09-06T09:43:34Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - Optimal discharge of patients from intensive care via a data-driven
policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。
本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。
データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文 参考訳（メタデータ） (2021-12-17T04:39:33Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳（メタデータ） (2021-05-16T12:38:35Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。