論文の概要: Secondary Use of Employee COVID-19 Symptom Reporting as Syndromic
Surveillance as an Early Warning Signal of Future Hospitalizations
- arxiv url: http://arxiv.org/abs/2012.07742v1
- Date: Thu, 10 Dec 2020 20:58:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 05:28:18.691497
- Title: Secondary Use of Employee COVID-19 Symptom Reporting as Syndromic
Surveillance as an Early Warning Signal of Future Hospitalizations
- Title（参考訳）: 今後の入院の早期警戒信号としてシンドロミックサーベイランスが報告された従業員のCOVID-19症状の二次的活用
- Authors: Steven Horng, Ashley O'Donoghue, Tenzin Dechen, Matthew Rabesa, Ayad
Shammout, Lawrence Markson, Venkat Jegadeesan, Manu Tandon, Jennifer P.
Stevens
- Abstract要約: シンドロミック監視は、従業員が住んでいるコミュニティで、新型コロナウイルスの入院を予測するために使用することができる。
10の病院からなる大規模な病院ネットワークは、ニューイングランドで合計2,384のベッドと136,000の退院の原因となっている。
自動テキストメッセージングシステムを用いて, 従業員の毎日の自記症状を収集した。
- 参考スコア（独自算出の注目度）: 0.731365367571807
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Importance: Alternative methods for hospital utilization forecasting,
essential information in hospital crisis planning, are necessary in a novel
pandemic when traditional data sources such as disease testing are limited.
Objective: Determine whether mandatory daily employee symptom attestation data
can be used as syndromic surveillance to forecast COVID-19 hospitalizations in
the communities where employees live. Design: Retrospective cohort study.
Setting: Large academic hospital network of 10 hospitals accounting for a total
of 2,384 beds and 136,000 discharges in New England. Participants: 6,841
employees working on-site of Hospital 1 from April 2, 2020 to November 4, 2020,
who live in the 10 hospitals' service areas. Interventions: Mandatory, daily
employee self-reported symptoms were collected using an automated text
messaging system. Main Outcomes: Mean absolute error (MAE) and weighted mean
absolute percentage error (WMAPE) of 7 day forecasts of daily COVID-19 hospital
census at each hospital. Results: 6,841 employees, with a mean age of 40.8 (SD
= 13.6), 8.8 years of service (SD = 10.4), and 74.8% were female (n = 5,120),
living in the 10 hospitals' service areas. Our model has an MAE of 6.9 COVID-19
patients and a WMAPE of 1.5% for hospitalizations for the entire hospital
network. The individual hospitals had an MAE that ranged from 0.9 to 4.5
patients (WMAPE ranged from 2.1% to 16.1%). At Hospital 1, a doubling of the
number of employees reporting symptoms (which corresponds to 4 additional
employees reporting symptoms at the mean for Hospital 1) is associated with a
5% increase in COVID-19 hospitalizations at Hospital 1 in 7 days (95% CI:
(0.02, 0.07)). Conclusions: We found that a real-time employee health
attestation tool used at a single hospital could be used to predict subsequent
hospitalizations in 7 days at hospitals throughout a larger hospital network in
New England.
- Abstract（参考訳）: 重要性: 病院利用予測の代替手法, 病院危機計画に不可欠な情報は, 疾患検査などの従来のデータソースが限られている場合に, 新たなパンデミックにおいて必要である。
目的: 従業員が居住する地域において、新型コロナウイルス(COVID-19)の入院を予知するために、毎日の症状検査データをシナドロミック監視として使用できるかどうかを決定する。
デザイン:反省的なコホート研究。
設定: 大規模な学術病院ネットワーク 10の病院が、合計2,384のベッドと136,000の退院を抱えている。
参加者:2020年4月2日から2020年11月4日まで、病院1の現場で働く6,841人の従業員。
介入: 自動テキストメッセージシステムを用いて, 日々の従業員自記症状を収集した。
主な成果: 平均絶対誤差 (MAE) と重み付き平均絶対誤差 (WMAPE) は、各病院における毎日のCOVID-19病院国勢調査の7日間の予測である。
結果: 平均年齢40.8名 (sd=13.6名), 8.8歳 (sd=10.4名), 74.8% (n=5,120名) の職員6,841名であった。
当モデルは6.9人の患者を対象とし,wmapeは病院ネットワーク全体の入院率1.5%である。
個々の病院には0.9から4.5の患者(WMAPEは2.1%から16.1%)のMAEがある。
病院1では、症状を報告する従業員数(病院1の平均で症状を報告する従業員4人に相当する)の2倍は、病院1日で5パーセント増加している(95%ci: (0.02, 0.07))。
結論: 1つの病院で使用されているリアルタイムの従業員健康検査ツールを使用して,ニューイングランドの病院ネットワーク全体を通じて,7日間の入院を予測できることがわかった。
関連論文リスト
- 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) - Using natural language processing and structured medical data to
phenotype patients hospitalized due to COVID-19 [2.921262108965381]
電子カルテと異なるタイプのデータを用いた新型コロナウイルスの入院患者に対する計算可能な表現型の比較を行った。
我々は自然言語処理を用いてプロバイダノートからのデータとLASSOレグレッションとランダムフォレストを組み込んで分類アルゴリズムに適合させた。
論文 参考訳（メタデータ） (2023-02-03T04:22:29Z) - Management and Detection System for Medical Surgical Equipment [68.8204255655161]
保存外科体 (Retained surgical body, RSB) は、外科手術後に患者の体内に残された異物である。
本稿では、我々が設計空間を探索し、実現可能なソリューションを定義し、最先端のサイバー物理システムをシミュレートし、検証し、検証するために行った技術プロセスについて述べる。
論文 参考訳（メタデータ） (2022-11-04T10:19:41Z) - 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) - An early prediction of covid-19 associated hospitalization surge using
deep learning approach [3.0092635615052385]
本研究は,4つの繰り返しニューラルネットワークを用いて,次の週の入院率の変化を推定することを提案する。
その結果, 注意を伴うシーケンス・ツー・シークエンス・モデルの精度は0.938, AUCは0.850であった。
論文 参考訳（メタデータ） (2020-09-17T06:26:50Z) - Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。
一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
論文 参考訳（メタデータ） (2020-06-23T03:36:19Z) - A Machine Learning Early Warning System: Multicenter Validation in
Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。
Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。
機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文 参考訳（メタデータ） (2020-06-09T21:21:38Z) - 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) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z)
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。