論文の概要: Using Deep Learning and Explainable Artificial Intelligence in Patients'
Choices of Hospital Levels
- arxiv url: http://arxiv.org/abs/2006.13427v1
- Date: Wed, 24 Jun 2020 02:15:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 09:40:14.855984
- Title: Using Deep Learning and Explainable Artificial Intelligence in Patients'
Choices of Hospital Levels
- Title（参考訳）: 深層学習と説明可能な人工知能を用いた病院レベルの選択
- Authors: Lichin Chen, Yu Tsao, Ji-Tian Sheu
- Abstract要約: 本研究は、全国の保険データを用いて、既存の文献で議論されている可能性のある特徴を蓄積し、ディープニューラルネットワークを用いて患者の病院レベルの選択を予測した。
その結果,受信機動作特性曲線 (AUC) (0.90), 精度 (0.90), 感度 (0.94), 特異度 (0.97) を高不均衡ラベルで予測できた。
- 参考スコア（独自算出の注目度）: 10.985001960872264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In countries that enabled patients to choose their own providers, a common
problem is that the patients did not make rational decisions, and hence, fail
to use healthcare resources efficiently. This might cause problems such as
overwhelming tertiary facilities with mild condition patients, thus limiting
their capacity of treating acute and critical patients. To address such
maldistributed patient volume, it is essential to oversee patients choices
before further evaluation of a policy or resource allocation. This study used
nationwide insurance data, accumulated possible features discussed in existing
literature, and used a deep neural network to predict the patients choices of
hospital levels. This study also used explainable artificial intelligence
methods to interpret the contribution of features for the general public and
individuals. In addition, we explored the effectiveness of changing data
representations. The results showed that the model was able to predict with
high area under the receiver operating characteristics curve (AUC) (0.90),
accuracy (0.90), sensitivity (0.94), and specificity (0.97) with highly
imbalanced label. Generally, social approval of the provider by the general
public (positive or negative) and the number of practicing physicians serving
per ten thousand people of the located area are listed as the top effecting
features. The changing data representation had a positive effect on the
prediction improvement. Deep learning methods can process highly imbalanced
data and achieve high accuracy. The effecting features affect the general
public and individuals differently. Addressing the sparsity and discrete nature
of insurance data leads to better prediction. Applications using deep learning
technology are promising in health policy making. More work is required to
interpret models and practice implementation.
- Abstract（参考訳）: 患者が自身の提供者を選ぶことができる国では、患者が合理的な決定を下さなかったため、医療資源を効率的に利用できなかったことがよくある。
これは軽度患者の第三次施設を圧倒するなどの問題を引き起こし、急性患者や重症患者を治療する能力を制限する可能性がある。
このような不分散患者数に対処するためには, 方針や資源配分のさらなる評価を行う前に, 患者の選択を監督することが不可欠である。
本研究は、全国の保険データを用いて、既存の文献で議論される可能性のある特徴を蓄積し、深層ニューラルネットワークを用いて患者の病院レベルの選択を予測した。
本研究は,一般市民と個人に対する特徴の寄与を解釈するために,説明可能な人工知能手法を用いた。
さらに,データ表現の変更の有効性についても検討した。
その結果,受信機動作特性曲線 (AUC) (0.90), 精度 (0.90), 感度 (0.94), 特異度 (0.97) を高不均衡ラベルで予測できた。
一般には、一般市民による提供者(肯定的または否定的)の社会的承認と、その地域の1万人あたりの開業医数が最も効果の高い特徴として挙げられる。
データ表現の変化は予測改善に肯定的な影響を及ぼした。
ディープラーニング手法は、高度に不均衡なデータを処理し、高い精度を達成することができる。
この効果は一般市民や個人に異なる影響を与える。
保険データのあいまいさと離散的な性質に対処することは、より良い予測につながる。
深層学習技術を用いたアプリケーションは、健康政策作成に有望である。
モデルと実践実装を解釈するには、さらに多くの作業が必要です。
関連論文リスト
- Pre-Ictal Seizure Prediction Using Personalized Deep Learning [0.0]
世界中で約2300万ないし30%のてんかん患者が薬剤抵抗性てんかん(DRE)を患っている
発作発生の予測不可能さは、安全上の問題や社会的懸念を引き起こし、DRE患者のライフスタイルを制限している。
本研究の目的は、開始から最大2時間前に発作を予測するための改良された技術と方法を使用することであった。
論文 参考訳（メタデータ） (2024-10-07T21:04:41Z) - An Interpretable Deep-Learning Framework for Predicting Hospital
Readmissions From Electronic Health Records [2.156208381257605]
そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。
実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
論文 参考訳（メタデータ） (2023-10-16T08:48:52Z) - Bridging the Gap Between Patient-specific and Patient-independent
Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。
患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。
提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文 参考訳（メタデータ） (2022-02-25T10:30:29Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - 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) - Predicting the Travel Distance of Patients to Access Healthcare using
Deep Neural Networks [12.155001613499625]
本研究では,遠隔医療における患者選択の複雑な決定をモデル化するためのディープニューラルネットワークアプローチを提案する。
患者の移動距離を予測するために,CNNを用いたフレームワークの有効性を実証した。
論文 参考訳（メタデータ） (2021-12-07T07:34:15Z) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳（メタデータ） (2021-05-13T04:14:35Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - 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) - Improving healthcare access management by predicting patient no-show
behaviour [0.0]
本研究は,参加を促す戦略の実装を支援するため,DSS(Decision Support System)を開発する。
回帰モデルの精度を向上させるために,異なる機械学習手法の有効性を評価する。
過去の研究で報告された関係の定量化に加えて、収入と近隣の犯罪統計はノーショー確率に影響を与えることが判明した。
論文 参考訳（メタデータ） (2020-12-10T14:57:25Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。