Fugu-MT 論文翻訳(概要): CPAS: the UK's National Machine Learning-based Hospital Capacity Planning System for COVID-19

論文の概要: CPAS: the UK's National Machine Learning-based Hospital Capacity Planning System for COVID-19

arxiv url: http://arxiv.org/abs/2007.13825v1
Date: Mon, 27 Jul 2020 19:39:13 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 07:53:10.700882
Title: CPAS: the UK's National Machine Learning-based Hospital Capacity Planning System for COVID-19
Title（参考訳）: cpas:英国の新型コロナウイルス(covid-19)のための全国的な機械学習ベースの病院容量計画システム
Authors: Zhaozhi Qian and Ahmed M. Alaa and Mihaela van der Schaar
Abstract要約: 新型コロナウイルス(COVID-19)の2019年は、集中治療リソースに対する前例のない需要を伴う圧倒的な医療システムの脅威となる。病院資源計画のための機械学習システムであるCPAS(COVID-19 Capacity Planning and Analysis System)を開発した。 CPASは、新型コロナウイルス(COVID-19)のパンデミックに対処するため、全国規模で病院に配備された最初の機械学習ベースのシステムの一つだ。
参考スコア（独自算出の注目度）: 111.69190108272133
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The coronavirus disease 2019 (COVID-19) global pandemic poses the threat of overwhelming healthcare systems with unprecedented demands for intensive care resources. Managing these demands cannot be effectively conducted without a nationwide collective effort that relies on data to forecast hospital demands on the national, regional, hospital and individual levels. To this end, we developed the COVID-19 Capacity Planning and Analysis System (CPAS) - a machine learning-based system for hospital resource planning that we have successfully deployed at individual hospitals and across regions in the UK in coordination with NHS Digital. In this paper, we discuss the main challenges of deploying a machine learning-based decision support system at national scale, and explain how CPAS addresses these challenges by (1) defining the appropriate learning problem, (2) combining bottom-up and top-down analytical approaches, (3) using state-of-the-art machine learning algorithms, (4) integrating heterogeneous data sources, and (5) presenting the result with an interactive and transparent interface. CPAS is one of the first machine learning-based systems to be deployed in hospitals on a national scale to address the COVID-19 pandemic - we conclude the paper with a summary of the lessons learned from this experience.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)の世界的な感染拡大は、医療資源の過剰な需要を伴う圧倒的な医療システムの脅威を招いている。これらの要求を管理することは、全国、地域、病院、個人レベルでの病院の需要を予測するデータに依存する全国的な集団的努力なしには効果的に実行できない。この目的のために、我々は、病院リソース計画のための機械学習ベースのシステムであるcovid-19 capacity planning and analysis system (cpas)を開発した。本稿では,機械学習に基づく意思決定支援システムを全国規模で展開する主な課題について述べるとともに,(1)適切な学習問題の定義,(2)ボトムアップとトップダウンの分析アプローチの組み合わせ,(3)最先端機械学習アルゴリズムの利用,(4)異種データソースの統合,(5)インタラクティブで透明なインターフェースによる結果提示,といった課題について述べる。 cpasは、新型コロナウイルス(covid-19)パンデミックに対処するために、全国規模で病院に展開される最初の機械学習ベースのシステムのひとつです。

関連論文リスト

SaludConectaMX: Lessons Learned from Deploying a Cooperative Mobile Health System for Pediatric Cancer Care in Mexico [33.91720564325487]
SaludConectaMXは、メキシコのがん患児に対する化学療法を通しての合併症の要因を追跡し、理解するための総合的なシステムである。本システムは,Webアプリケーション(病院職員用)とモバイルアプリケーション(家族介護者用)から構成される。本稿では,1.5年間のパイロット実験によるシステム設計およびユーザビリティ評価結果について述べる。
論文参考訳（メタデータ） (2024-08-01T19:13:49Z)
Extending Machine Learning-Based Early Sepsis Detection to Different Demographics [1.2724528787590168]
我々は,公立のeICU-CRDデータセットと韓国のセントメアリー病院のプライベートなデータセットを用いて,LightGBMとXGBoostのアンサンブル学習手法を比較した。本分析は,医療データの不均衡に対処し,敗血症検出を増強する上で,これらの手法の有効性を明らかにするものである。
論文参考訳（メタデータ） (2023-11-07T20:02:52Z)
Cross-center Early Sepsis Recognition by Medical Knowledge Guided Collaborative Learning for Data-scarce Hospitals [9.148163615040364]
感染症の疑いとSOFA (Sequential Organ Failure Assessment) の双方を満足させることで, 敗血症を診断できる。そこで我々は,医学知識であるSofaNetに指導された新たなクロスセンター協調学習フレームワークを提案し,敗血症の早期認識を実現する。
論文参考訳（メタデータ） (2023-02-11T14:30:01Z)
COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文参考訳（メタデータ） (2022-04-24T07:38:37Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文参考訳（メタデータ） (2022-02-14T12:12:20Z)
COVID-Net MLSys: Designing COVID-Net for the Clinical Workflow [101.45411528425939]
本研究では、機械学習とシステム(MLSys)を用いて、新型コロナウイルス患者のスクリーニングシステムの設計を行う。 COVID-Netシステムは、継続的に進化するCOVIDxデータセット、新型コロナウイルス患者検出のためのCOVID-Netディープニューラルネットワーク、および重症度評価のためのCOVID-Net Sディープニューラルネットワークで構成されている。 COVID-Netシステム内のディープニューラルネットワークは最先端のパフォーマンスを持ち、臨床診断支援のためにユーザーインターフェース(UI)に統合されるように設計されている。
論文参考訳（メタデータ） (2021-09-14T04:13:24Z)
Demonstrating Analog Inference on the BrainScaleS-2 Mobile System [0.0]
BrainScaleS-2 ASICに基づくコンパクトなアナログ推論エンジンとして,BrainScaleS-2モバイルシステムを提案する。医療用心電図データセットを分類する能力を示す。このシステムは、小型、パワーエンベロープ、柔軟なI/O機能により、エッジ推論アプリケーションに直接適用できます。
論文参考訳（メタデータ） (2021-03-29T21:22:15Z)
Collaborative Federated Learning For Healthcare: Multi-Modal COVID-19 Diagnosis at the Edge [5.258947981618588]
我々は,医療におけるエッジコンピューティングの能力を活用し,臨床ビジュアルデータのインテリジェントな処理の可能性を分析し,評価する。本研究では,CFL(Clustered federated Learning)の概念を,新型コロナの自動診断に応用した。 2つのベンチマークデータセットの異なる実験セットアップの下で,提案フレームワークの性能を評価する。
論文参考訳（メタデータ） (2021-01-19T08:40:59Z)
Mapping the Landscape of Artificial Intelligence Applications against COVID-19 [59.30734371401316]
世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
論文参考訳（メタデータ） (2020-03-25T12:30:33Z)

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。