論文の概要: Predicting Injectable Medication Adherence via a Smart Sharps Bin and Machine Learning

• arxiv url: http://arxiv.org/abs/2004.01144v1
• Date: Thu, 2 Apr 2020 17:16:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 09:47:44.441458
• Title: Predicting Injectable Medication Adherence via a Smart Sharps Bin and Machine Learning
• Title（参考訳）: スマートシャープスビンと機械学習による注射性薬剤付着の予測
• Authors: Yingqi Gu, Akshay Zalkikar, Lara Kelly, Kieran Daly, Tomas E. Ward
• Abstract要約: 当科では,次の予定薬の時間帯に薬剤を服用することに関して,患者の行動に関する予測を行う。 私たちはこれを、多くの機械学習モデルを活用することで実現しています。 提案した機械学習手法は、受信器動作特性曲線(ROC AUC)0.86の領域を示す非常に優れた予測性能を示した。
• 参考スコア（独自算出の注目度）: 0.9869634509510016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medication non-adherence is a widespread problem affecting over 50% of people who have chronic illness and need chronic treatment. Non-adherence exacerbates health risks and drives significant increases in treatment costs. In order to address these challenges, the importance of predicting patients' adherence has been recognised. In other words, it is important to improve the efficiency of interventions of the current healthcare system by prioritizing resources to the patients who are most likely to be non-adherent. Our objective in this work is to make predictions regarding individual patients' behaviour in terms of taking their medication on time during their next scheduled medication opportunity. We do this by leveraging a number of machine learning models. In particular, we demonstrate the use of a connected IoT device; a "Smart Sharps Bin", invented by HealthBeacon Ltd.; to monitor and track injection disposal of patients in their home environment. Using extensive data collected from these devices, five machine learning models, namely Extra Trees Classifier, Random Forest, XGBoost, Gradient Boosting and Multilayer Perception were trained and evaluated on a large dataset comprising 165,223 historic injection disposal records collected from 5,915 HealthBeacon units over the course of 3 years. The testing work was conducted on real-time data generated by the smart device over a time period after the model training was complete, i.e. true future data. The proposed machine learning approach demonstrated very good predictive performance exhibiting an Area Under the Receiver Operating Characteristic Curve (ROC AUC) of 0.86.
• Abstract（参考訳）: 慢性疾患を患っており、慢性治療を必要とする人の50%以上に影響を及ぼす。 非一貫性は健康リスクを悪化させ、治療コストを大幅に増加させる。 これらの課題に対処するために,患者の定着度を予測することの重要性が認識されている。 言い換えれば、非アドヒレントである可能性が最も高い患者にリソースを優先することで、現在の医療システムの介入の効率を向上させることが重要である。 本研究の目的は, 患者個人の行動を予測することであり, 次の治療機会の時間帯に薬剤を服用することである。 私たちは多くの機械学習モデルを活用してこれを行っています。 特に、HealthBeacon Ltd.によって発明されたスマートシャープスビン(Smart Sharps Bin)というコネクテッドIoTデバイスの使用を実演する。 家庭環境における患者の注射処理を監視し,追跡すること。 これらの装置から収集した膨大なデータを用いて,5つの機械学習モデル,すなわち,5,915個のHealthBeaconユニットから3年間に収集した165,223個の歴史的な注入処理記録からなる大規模データセットを用いて,ランダムフォレスト,XGBoost,グラディエントブースティング,マルチレイヤパーセプションのトレーニングと評価を行った。 テスト作業は、モデルトレーニングが完了した後、スマートデバイスが生成したリアルタイムデータ、すなわち真の将来のデータで実施された。 提案した機械学習手法は、受信器動作特性曲線(ROC AUC)0.86の領域を示す非常に優れた予測性能を示した。

関連論文リスト

• An Efficient Contrastive Unimodal Pretraining Method for EHR Time Series Data [35.943089444017666]
  本稿では,長期臨床経過データに適した比較事前学習法を提案する。 本モデルでは, 臨床医が患者の症状についてより深い知見を得られるように, 欠損測定をインプットする能力を示す。
  論文  参考訳（メタデータ） (2024-10-11T19:05:25Z)
• Automatic prediction of mortality in patients with mental illness using electronic health records [0.5957022371135096]
  本報告では,精神疾患患者の死亡率を予測するための永続的課題について述べる。 MIMIC-IIIデータセットから精神疾患の診断データを抽出した。 4つの機械学習アルゴリズムを使用し、ランダムフォレストとサポートベクターマシンのモデルが他のモデルよりも優れていたことを示す結果が得られた。
  論文  参考訳（メタデータ） (2023-10-18T17:21:01Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• 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)
• 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)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Survival Prediction of Heart Failure Patients using Stacked Ensemble Machine Learning Algorithm [0.0]
  心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。 データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。 本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-30T16:42:27Z)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
  臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。 機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
  論文  参考訳（メタデータ） (2020-06-09T21:21:38Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。