論文の概要: Improving Emergency Department ESI Acuity Assignment Using Machine
Learning and Clinical Natural Language Processing
- arxiv url: http://arxiv.org/abs/2004.05184v2
- Date: Tue, 22 Sep 2020 15:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 13:32:16.846794
- Title: Improving Emergency Department ESI Acuity Assignment Using Machine
Learning and Clinical Natural Language Processing
- Title（参考訳）: 機械学習と臨床自然言語処理による救急部門ESIアサインメントの改善
- Authors: Oleksandr Ivanov (1), Lisa Wolf (2), Deena Brecher (1), Kevin Masek
(3), Erica Lewis (4), Stephen Liu (5), Robert B Dunne (6), Kevin Klauer (7),
Kyla Montgomery (1), Yurii Andrieiev (1), Moss McLaughlin (1), and Christian
Reilly (1) ((1) Mednition Inc., (2) Emergency Nurses Association, (3) San
Mateo Medical Center, (4) El Camino Hospital, (5) Adventist Health, (6)
Ascension Health, (7) American Osteopathic Association)
- Abstract要約: 166,175人を対象に, トリアージプロセスのためのMLモデル(KATE)を開発した。
KATEは、看護師(59.8%)と平均的な個別臨床医(75.3%)と比較して、視力の割り当てを75.9%と予測した。
2 と 3 の明度割り当ての境界では、KATE は 80% の精度で 93.2% 高く、41.4% のトリアージ看護師 (p-value 0.0001) は 41.4% の精度であった。
- 参考スコア（独自算出の注目度）: 12.032786684457385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective triage is critical to mitigating the effect of increased volume by
accurately determining patient acuity, need for resources, and establishing
effective acuity-based patient prioritization. The purpose of this
retrospective study was to determine whether historical EHR data can be
extracted and synthesized with clinical natural language processing (C-NLP) and
the latest ML algorithms (KATE) to produce highly accurate ESI predictive
models. An ML model (KATE) for the triage process was developed using 166,175
patient encounters from two participating hospitals. The model was then tested
against a gold set that was derived from a random sample of triage encounters
at the study sites and correct acuity assignments were recorded by study
clinicians using the Emergency Severity Index (ESI) standard as a guide. At the
two study sites, KATE predicted accurate ESI acuity assignments 75.9% of the
time, compared to nurses (59.8%) and average individual study clinicians
(75.3%). KATE accuracy was 26.9% higher than the average nurse accuracy
(p-value < 0.0001). On the boundary between ESI 2 and ESI 3 acuity assignments,
which relates to the risk of decompensation, KATE was 93.2% higher with 80%
accuracy, compared to triage nurses with 41.4% accuracy (p-value < 0.0001).
KATE provides a triage acuity assignment substantially more accurate than the
triage nurses in this study sample. KATE operates independently of contextual
factors, unaffected by the external pressures that can cause under triage and
may mitigate the racial and social biases that can negatively affect the
accuracy of triage assignment. Future research should focus on the impact of
KATE providing feedback to triage nurses in real time, KATEs impact on
mortality and morbidity, ED throughput, resource optimization, and nursing
outcomes.
- Abstract（参考訳）: 有効トリアージは、患者の明度を正確に決定し、リソースを必要とし、効果的な明度に基づく患者優先化を確立することにより、容積増加の効果を緩和するために重要である。
本研究の目的は,臨床自然言語処理(C-NLP)と最新のMLアルゴリズム(KATE)を用いて過去のERHデータを抽出・合成し,高精度なESI予測モデルを作成することである。
2つの病院から166,175人の患者を対象に, トリアージプロセスのためのMLモデル(KATE)を開発した。
次に, 調査現場で発生したトリアージのランダムなサンプルから得られた金集合に対して実験を行い, 緊急度指標(ESI)を基準として, 臨床検査医による正しい明度割り当てを記録した。
2つの研究現場でKATEは、看護師(59.8%)と平均的な個別の臨床医(75.3%)と比較して、正確なESI照度割り当てを75.9%と予測した。
KATEの精度は平均看護師の精度より26.9%高かった(p-value < 0.0001)。
ESI 2 と ESI 3 の周波数割当の境界では、KATE は 80% の精度で 93.2% 高く、41.4% のトリアージ看護師 (p-value < 0.0001) に対して 93.2% であった。
ケイトは、この研究サンプルのトリアージ看護師よりもかなり正確にトリアージアキューシティの割り当てを提供する。
KATEは文脈的要因とは独立して機能し、トリアージの下で引き起こされる外部の圧力の影響を受けず、トリアージの割り当ての正確さに悪影響を及ぼす人種的および社会的偏見を緩和する。
今後の研究は、リアルタイムでトリアージ看護師にフィードバックを提供するKATEの影響、KATEが死亡率と死亡率、EDスループット、リソース最適化、および看護結果に与える影響に焦点を当てるべきである。
関連論文リスト
- Equitable Length of Stay Prediction for Patients with Learning Disabilities and Multiple Long-term Conditions Using Machine Learning [1.0064817439176887]
本研究は,学習障害患者9,618例の入院状況とウェールズの人口の長期的状況について分析した。
調査コホートでは, 人口動態, 長期経過状況, 薬剤歴, 病院訪問, 生活史について検討した。
我々は,このコホートにおける入院期間を予測するために,機械学習モデルを適用した。
論文 参考訳（メタデータ） (2024-11-03T20:14:20Z) - Advanced Predictive Modeling for Enhanced Mortality Prediction in ICU Stroke Patients Using Clinical Data [0.0]
ストロークは成人の障害と死亡の第二の要因である。
毎年1700万人が脳卒中を患っており、約85%が虚血性脳卒中である。
我々は、死亡リスクを評価するためのディープラーニングモデルを開発し、比較のためにいくつかのベースライン機械学習モデルを実装した。
論文 参考訳（メタデータ） (2024-07-19T11:17:42Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。
本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。
LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
論文 参考訳（メタデータ） (2024-03-28T12:11:29Z) - A new methodology to predict the oncotype scores based on
clinico-pathological data with similar tumor profiles [0.0]
Oncotype DX (ODX) は乳がんの分子検査である。
本研究の目的は,医師の意思決定を支援する新しい手法を提案することである。
論文 参考訳（メタデータ） (2023-03-13T10:08:13Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - All Data Inclusive, Deep Learning Models to Predict Critical Events in
the Medical Information Mart for Intensive Care III Database (MIMIC III) [0.0]
本研究は35,348人を対象に42,818人の入院患者を対象に行った。
複数のデータソースにわたる7500万以上のイベントが処理され、3億5500万以上のトークンが処理された。
すべてのデータソースを使用して構築されたモデルから、はるかに信頼性が高く、信頼性の高いホスピタル死亡を予測できる。
論文 参考訳（メタデータ） (2020-09-02T22:12:18Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - 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) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。