論文の概要: Forecasting Emergency Department Capacity Constraints for COVID Isolation Beds

• arxiv url: http://arxiv.org/abs/2011.06058v1
• Date: Mon, 9 Nov 2020 19:35:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 02:29:00.536441
• Title: Forecasting Emergency Department Capacity Constraints for COVID Isolation Beds
• Title（参考訳）: 新型コロナウイルスの隔離ベッドの緊急時キャパシティ制約の予測
• Authors: Erik Drysdale, Devin Singh, Anna Goldenberg
• Abstract要約: 小児病院の救急部門に新たに設置された新型コロナウイルス関連の容量制限は、時間単位の予測ツールの開発を促した。 当院の定位率の予測には,ポイント予測と分類精度の両面で高い性能が得られた。 私たちは現在、医療従事者の能力向上を目標に、ツールをリアルタイムな設定に移行する作業を行っています。
• 参考スコア（独自算出の注目度）: 9.358404775024109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting patient volumes in a hospital setting is a well-studied application of time series forecasting. Existing tools usually make forecasts at the daily or weekly level to assist in planning for staffing requirements. Prompted by new COVID-related capacity constraints placed on our pediatric hospital's emergency department, we developed an hourly forecasting tool to make predictions over a 24 hour window. These forecasts would give our hospital sufficient time to be able to martial resources towards expanding capacity and augmenting staff (e.g. transforming wards or bringing in physicians on call). Using Gaussian Process Regressions (GPRs), we obtain strong performance for both point predictions (average R-squared: 82%) as well as classification accuracy when predicting the ordinal tiers of our hospital's capacity (average precision/recall: 82%/74%). Compared to traditional regression approaches, GPRs not only obtain consistently higher performance, but are also robust to the dataset shifts that have occurred throughout 2020. Hospital stakeholders are encouraged by the strength of our results, and we are currently working on moving our tool to a real-time setting with the goal of augmenting the capabilities of our healthcare workers.
• Abstract（参考訳）: 病院における患者数予測は、時系列予測のよく研究された応用である。 既存のツールは通常、人員要件の計画を支援するために、毎日または毎週のレベルで予測を行う。 当院の救急医療部門では,新たに新型コロナウイルス関連の容量制限が課せられ,24時間にわたって予測を行うための予測ツールを開発した。 これらの予測は病院に十分な時間を与え、容量の拡大とスタッフの増員(例えば病棟の転換や、電話で医師を連れてくるなど)に資する。 GPR(Gaussian Process Regressions) を用いて, 病院の容量の基準値(平均精度/リコール率82%/74%)を予測する際に, 点数予測(平均R-2乗82%)と分類精度の両立を図った。 従来の回帰アプローチと比較して、GPRは一貫して高いパフォーマンスを得るだけでなく、2020年を通じて発生したデータセットシフトにも堅牢である。 病院の利害関係者は結果の強さに励まされ、現在、医療従事者の能力向上を目標に、ツールをリアルタイムな環境に移行する作業を行っています。

関連論文リスト

• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Length of Stay prediction for Hospital Management using Domain Adaptation [0.2624902795082451]
  入院期間 (LoS) は, 入院の効率的な計画, リソースの割り当て, ケアの改善に利用することができる重要な管理指標である。 過去の患者データと機械学習技術を用いて、LoS予測モデルを開発することができる。 倫理的には、これらのモデルは単位頭部の代わりに患者の退院には使用できないが、効果的な病院計画のための病院管理システムには最も必要である。
  論文  参考訳（メタデータ） (2023-06-29T09:58:21Z)
• Patient Outcome Predictions Improve Operations at a Large Hospital Network [1.9399350450208843]
  米国の大手病院ネットワークは、すべての入院患者の短期的および長期的成果を予測するため、学者やコンサルタントと協力している。 我々は,次の24時間/48時間放電の可能性を予測し,集中治療単位転送,終末期死亡,退院処分の確率を予測する機械学習モデルを開発した。 私たちは、毎朝データを抽出して予測を更新する自動パイプラインと、ユーザフレンドリなソフトウェアと、これらの患者レベルの予測を伝えるためのカラーコードアラートシステムを実装しています。
  論文  参考訳（メタデータ） (2023-05-25T00:49:27Z)
• Large-Scale Study of Temporal Shift in Health Insurance Claims [25.16487014413502]
  我々は,集団レベルでの時間的シフトや,発見されたサブ人口内での時間的シフトをテストするアルゴリズムを構築した。 我々は、2015年から2020年の間、医療保険請求データセットに基づいて242の医療結果を評価して、1,010のタスクを作成します。
  論文  参考訳（メタデータ） (2023-05-08T23:08:18Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
  一つの病院で1日当たりの入院患者数を予測するという課題について検討する。 データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-04-14T11:58:54Z)
• 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 unified machine learning approach to time series forecasting applied to demand at emergency departments [1.7119367122421556]
  2019年にはイングランドの救急省(ED)に2560万人が出席しており、過去10年間で1200万人が出席した。 我々は,最高の演奏時系列と機械学習アプローチの結果を組み合わせた,新しいアンサンブル手法を開発した。 平均絶対誤差は, 平均絶対誤差が6.8%, 平均絶対誤差が8.6%であった。
  論文  参考訳（メタデータ） (2020-07-13T07:59:24Z)

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。