論文の概要: EmbPred30: Assessing 30-days Readmission for Diabetic Patients using
Categorical Embeddings
- arxiv url: http://arxiv.org/abs/2002.11215v1
- Date: Tue, 25 Feb 2020 22:59:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 21:19:10.727359
- Title: EmbPred30: Assessing 30-days Readmission for Diabetic Patients using
Categorical Embeddings
- Title（参考訳）: EmbPred30:カテゴリー埋め込みを用いた糖尿病患者の30日間の寛解の評価
- Authors: Sarthak, Shikhar Shukla, Surya Prakash Tripathi
- Abstract要約: 米国における糖尿病患者の寛容により、年間250億ドル以上が費やされていると推定されている。
本稿では、既存のモデルをベンチマークし、新しい埋め込みに基づく最先端ディープニューラルネットワーク(DNN)を提案する。
このモデルは、入院した糖尿病患者が30日以内に95.2%の精度で再入院するかどうかを特定することができる。
- 参考スコア（独自算出の注目度）: 1.6114012813668934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hospital readmission is a crucial healthcare quality measure that helps in
determining the level of quality of care that a hospital offers to a patient
and has proven to be immensely expensive. It is estimated that more than $25
billion are spent yearly due to readmission of diabetic patients in the USA.
This paper benchmarks existing models and proposes a new embedding based
state-of-the-art deep neural network(DNN). The model can identify whether a
hospitalized diabetic patient will be readmitted within 30 days or not with an
accuracy of 95.2% and Area Under the Receiver Operating Characteristics(AUROC)
of 97.4% on data collected from 130 US hospitals between 1999-2008. The results
are encouraging with patients having changes in medication while admitted
having a high chance of getting readmitted. Identifying prospective patients
for readmission could help the hospital systems in improving their inpatient
care, thereby saving them from unnecessary expenditures.
- Abstract（参考訳）: 病院の入院は、病院が患者に提供する医療の質のレベルを決定するのに役立つ重要な医療基準であり、非常に高価であることが証明されている。
米国では糖尿病患者の回復のために年間250億ドル以上が費やされていると推定されている。
本稿では既存のモデルをベンチマークし、新しい埋め込みベースの最先端ニューラルネットワーク(DNN)を提案する。
このモデルは、入院糖尿病患者が30日以内に再送されるかどうかを、精度95.2%、受信者の動作特性(auroc)の面積97.4%で、1999年から2008年にかけて130の米国病院から収集されたデータから識別することができる。
その結果、薬を服用する可能性が高いと認めながら、薬を服用する患者を励ます結果となった。
入院希望患者を特定すれば,院内ケアの改善に役立ち,不必要な支出を省くことができる。
関連論文リスト
- Predicting 30-Day Hospital Readmission in Medicare Patients: Insights from an LSTM Deep Learning Model [4.918444397807014]
本研究は, LSTMネットワークと機能工学を用いたメディケア病院の入院状況を分析し, コントリビューションの評価を行った。
LSTMモデルは、入院レベルおよび患者レベルのデータから時間的ダイナミクスを捉えるように設計されている。
主な特徴は、Charlson Comorbidity Index、病院の滞在時間、過去6ヶ月間の入院、人口統計学の変数は影響を受けなかった。
論文 参考訳（メタデータ） (2024-10-23T03:50:32Z) - Diabetes detection using deep learning techniques with oversampling and
feature augmentation [0.3749861135832073]
糖尿病は慢性の病理であり、ここ数年でますます多くの人に影響を与えている。
毎年多数の死者が出ている。
この病気を患っている多くの人々は、健康状態の深刻さを十分に理解していない。
論文 参考訳（メタデータ） (2024-02-03T15:30:20Z) - Remote Medication Status Prediction for Individuals with Parkinson's
Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。
提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文 参考訳（メタデータ） (2022-07-26T02:08:08Z) - Advances in Prediction of Readmission Rates Using Long Term Short Term
Memory Networks on Healthcare Insurance Data [1.454498931674109]
30日間の入院は長期にわたる医療問題であり、患者の死亡率や死亡率に影響を与え、年間数十億ドルの費用がかかる。
我々は、簡単に利用可能な保険データを利用できる双方向長短メモリ(LSTM)ネットワークを開発した。
以上の結果から, 機械学習モデルにより, 全患者に対して妥当な精度で入院リスクを予測できることが示唆された。
論文 参考訳（メタデータ） (2022-06-30T19:07:10Z) - 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) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文 参考訳（メタデータ） (2021-09-14T14:16:32Z) - Customer 360-degree Insights in Predicting Chronic Diabetes [0.0]
テキサス州を代表する1000万人の顧客の360度データのサンプルを発掘しました。
我々は,80%の精度で慢性糖尿病を予測できる分類モデルを開発した。
論文 参考訳（メタデータ） (2021-09-04T13:12:53Z) - Severity and Mortality Prediction Models to Triage Indian COVID-19
Patients [0.0]
インド第2波が緩和する中、新型コロナウイルス(COVID-19)は全国で約2900万人の患者に感染し、350万人以上の死者を出した。
そこで本研究では,インドにおける入院当日最大のコホートのうちの1つから,非侵襲的非侵襲的非侵襲的血液パラメータモニタリングに基づいて,臨床結果,重症度,死亡率を予測する2つの解釈可能な機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-09-02T23:15:04Z) - Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical
Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。
データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。
マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-04-14T11:58:54Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z)
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。