論文の概要: Estimating Risk-Adjusted Hospital Performance
- arxiv url: http://arxiv.org/abs/2011.05149v2
- Date: Fri, 13 Nov 2020 10:43:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 07:05:04.105624
- Title: Estimating Risk-Adjusted Hospital Performance
- Title（参考訳）: リスク調整病院のパフォーマンス推定
- Authors: Eva van Weenen and Stefan Feuerriegel
- Abstract要約: 患者リスクに適応した新規な病院成績測定法を提案する。
この方法は、患者リスク変数間の相互作用と同様に、非線形関係をキャプチャする。
我々は、米国内の約1900の病院で1300万人以上の患者が入院したことを評価した。
- 参考スコア（独自算出の注目度）: 21.563820572163337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The quality of healthcare provided by hospitals is subject to considerable
variability. Consequently, accurate measurements of hospital performance are
essential for various decision-makers, including patients, hospital managers
and health insurers. Hospital performance is assessed via the health outcomes
of their patients. However, as the risk profiles of patients between hospitals
vary, measuring hospital performance requires adjustment for patient risk. This
task is formalized in the state-of-the-art procedure through a hierarchical
generalized linear model, that isolates hospital fixed-effects from the effect
of patient risk on health outcomes. Due to the linear nature of this approach,
any non-linear relations or interaction terms between risk variables are
neglected.
In this work, we propose a novel method for measuring hospital performance
adjusted for patient risk. This method captures non-linear relationships as
well as interactions among patient risk variables, specifically the effect of
co-occurring health conditions on health outcomes. For this purpose, we develop
a tailored neural network architecture that is partially interpretable: a
non-linear part is used to encode risk factors, while a linear structure models
hospital fixed-effects, such that the risk-adjusted hospital performance can be
estimated. We base our evaluation on more than 13 million patient admissions
across almost 1,900 US hospitals as provided by the Nationwide Readmissions
Database. Our model improves the ROC-AUC over the state-of-the-art by 4.1
percent. These findings demonstrate that a large portion of the variance in
health outcomes can be attributed to non-linear relationships between patient
risk variables and implicate that the current approach of measuring hospital
performance should be expanded.
- Abstract（参考訳）: 病院によって提供される医療の質は、かなり変動する。
したがって、患者、病院管理者、健康保険会社を含む様々な意思決定者にとって、病院のパフォーマンスの正確な測定は不可欠である。
病院の成績は患者の健康状態を通じて評価される。
しかし,患者間のリスクプロファイルは異なるため,患者リスクの調整が必要となる。
このタスクは、患者のリスクが健康状態に与える影響から病院の固定効果を分離する階層的一般化線形モデルを通じて、最先端の手順で定式化される。
このアプローチの線形性のため、リスク変数間の非線形関係や相互作用項は無視される。
そこで本研究では,患者リスクに適応した病院性能測定法を提案する。
この方法は、患者リスク変数間の相互作用だけでなく、非線形関係、特に健康状態が健康に及ぼす影響を捉える。
本研究では, リスクファクターを符号化する非線形部分を用いて, リスク調整された病院性能を推定できるような, 病院の固定効果を線形構造でモデル化した, 部分的に解釈可能なニューラルネットワークアーキテクチャを開発する。
Nationwide Readmissions Databaseが提供した約1900の米国病院で1300万人以上の入院患者を対象に評価を行った。
我々のモデルは最先端技術よりもROC-AUCを4.1%改善する。
これらの結果から, 健康成果のばらつきの大部分は, 患者リスク変数間の非線形関係に起因する可能性があり, 病院パフォーマンス測定の現在のアプローチを拡張すべきであることが示唆された。
関連論文リスト
- HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。
リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
論文 参考訳（メタデータ） (2024-10-19T18:52:18Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳（メタデータ） (2023-08-24T05:26:56Z) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-06-01T14:08:05Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Dynamic Healthcare Embeddings for Improving Patient Care [0.0]
患者, 医師, 部屋, 薬品の動的埋め込みを学習するための, 異種共進化型動的ニューラルネットワークDECENTを提案する。
学習した患者埋め込みを予測モデルに用いた結果、DECENTは死亡リスク予測タスクで最大48.1%向上していることがわかった。
学習した医師、薬品、部屋の埋め込みに関するケーススタディは、我々のアプローチが有意義で解釈可能な埋め込みを学習していることを示している。
論文 参考訳（メタデータ） (2023-03-21T03:14:15Z) - Enhancing Causal Estimation through Unlabeled Offline Data [7.305019142196583]
患者の診断と治療に強い影響を及ぼす未測定の生理的変数について検討したい。
集中的なオフライン情報は、現在の患者と部分的に関係のある以前の患者についてのみ利用可能である。
提案手法は3段階からなる: (i) 非因果推定器と因果推定器の両方を作成するために、豊富なオフラインデータを使用する。
オフラインデータが新しい観測に部分的にのみ関係している状況において、この手法が(医療的でない)実世界のタスクに対して有効であることを示す。
論文 参考訳（メタデータ） (2022-02-16T07:02:42Z) - 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) - 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) - A scalable approach for developing clinical risk prediction applications
in different hospitals [2.3837093461599634]
機械学習アルゴリズムは現在、臨床応用のための急性事象の予測に広く使われている。
臨床リスク予測モデルの開発プロセスを複数の疾患に拡張するためのスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2021-01-21T21:22:32Z) - Optimizing Hospital Room Layout to Reduce the Risk of Patient Falls [4.66970207245168]
本研究は,病室内装レイアウトを生成・再構成するための勾配自由制約付き最適化問題を定式化する。
本報告では, 2つの実世界の病室タイプについて, 従来の病室レイアウトと比較して, 患者転倒リスクの平均18%の有意な改善を示す。
論文 参考訳（メタデータ） (2021-01-08T20:31:10Z)
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。