論文の概要: Demand Forecasting for Platelet Usage: from Univariate Time Series to
Multivariate Models
- arxiv url: http://arxiv.org/abs/2101.02305v1
- Date: Wed, 6 Jan 2021 23:54:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 00:46:04.202424
- Title: Demand Forecasting for Platelet Usage: from Univariate Time Series to
Multivariate Models
- Title(参考訳): 血小板利用の需要予測:一変量時系列から多変量モデルへ
- Authors: Maryam Motamedi, Na Li, Douglas G. Down and Nancy M. Heddle
- Abstract要約: カナダ血液サービス(CBS)における血小板需要の効率的な予測モデルを提案する。
2010年から2018年まで、オンタリオ州ハミルトンにある4つの病院の集中型血液流通センターに大規模な臨床データセットを使用しています。
この研究は、統計時系列モデルからデータ駆動回帰、血小板輸血のための機械学習技術まで、さまざまな方法を利用する最初のものです。
- 参考スコア(独自算出の注目度): 5.213638811056169
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Platelet products are both expensive and have very short shelf lives. As
usage rates for platelets are highly variable, the effective management of
platelet demand and supply is very important yet challenging. The primary goal
of this paper is to present an efficient forecasting model for platelet demand
at Canadian Blood Services (CBS). To accomplish this goal, four different
demand forecasting methods, ARIMA (Auto Regressive Moving Average), Prophet,
lasso regression (least absolute shrinkage and selection operator) and LSTM
(Long Short-Term Memory) networks are utilized and evaluated. We use a large
clinical dataset for a centralized blood distribution centre for four hospitals
in Hamilton, Ontario, spanning from 2010 to 2018 and consisting of daily
platelet transfusions along with information such as the product
specifications, the recipients' characteristics, and the recipients' laboratory
test results. This study is the first to utilize different methods from
statistical time series models to data-driven regression and a machine learning
technique for platelet transfusion using clinical predictors and with different
amounts of data. We find that the multivariate approaches have the highest
accuracy in general, however, if sufficient data are available, a simpler time
series approach such as ARIMA appears to be sufficient. We also comment on the
approach to choose clinical indicators (inputs) for the multivariate models.
- Abstract(参考訳): 血小板製品も高価で、棚の寿命も非常に短い。
血小板の使用率は非常に可変であるため、血小板の需要と供給の効果的な管理は非常に重要であるが困難である。
本研究の目的は,Canadian Blood Services (CBS) における血小板需要の効率的な予測モデルを提供することである。
この目標を達成するために、ARIMA(Auto Regressive moving Average)、Prophet(Prophet)、Lasso regression(Laast absolute shrinkage and selection operator)、LSTM(Long Short-Term Memory)ネットワークの4つの異なる需要予測手法を活用し、評価する。
2010年から2018年までオンタリオ州ハミルトンの4つの病院において, 集中血輸血センターのための大規模臨床データセットを用いて, 製品仕様, 受給者特性, 受験者検査結果などの情報とともに血小板輸血を行った。
本研究は, 統計時系列モデルからデータ駆動回帰まで, 臨床予測器と異なる量のデータを用いた血小板輸血のための機械学習手法を初めて活用したものである。
多変量法は一般に最も精度が高いが、十分なデータが得られれば、ARIMAのようなより単純な時系列法が十分であると考えられる。
また,多変量モデルに対して臨床指標(インプット)を選択するアプローチについてもコメントする。
関連論文リスト
- Can Machine Learning Assist in Diagnosis of Primary Immune Thrombocytopenia? A feasibility study [12.4123972735841]
原発性免疫性血小板減少症(ITP)は末梢血血小板の免疫学的破壊を特徴とする稀な自己免疫疾患である。
疾患を確認するための確立された検査はなく、治療と結果に対する反応を予測できるバイオマーカーも存在しない。
日常的な血液検査と人口統計データを用いて, 機械学習をIPPの診断に効果的に適用できるかどうかを, 非急性外来で検討する。
論文 参考訳(メタデータ) (2024-05-31T01:04:46Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳(メタデータ) (2024-03-12T18:12:02Z) - Treatment Outcome Prediction for Intracerebral Hemorrhage via Generative
Prognostic Model with Imaging and Tabular Data [18.87414111429906]
脳内出血は2番目に一般的で致命的な脳梗塞である。
医学的進歩にもかかわらず、ICHの治療効果を予測することは依然として課題である。
モデルは、非ランダム化制御試験から収集された観測データに基づいて訓練される。
論文 参考訳(メタデータ) (2023-07-24T14:57:40Z) - Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification
using Dermoscopy and Clinical Images [7.159532626507458]
本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。
本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
論文 参考訳(メタデータ) (2023-07-04T13:19:57Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳(メタデータ) (2023-03-05T03:54:54Z) - A cost-based multi-layer network approach for the discovery of patient
phenotypes [2.816539638885011]
コミュニティ検出手法を用いて表現型を検出するためのコストベース層セレクタモデルを提案する。
私たちのゴールは、その品質を維持しながら、これらの表現型を構築するのに使用される機能の数を最小化することです。
いくつかの後処理変数では、COBALTの表現型を特徴とする予測子は、従来のクラスタリング法で検出された表現型よりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T14:07:10Z) - Longitudinal modeling of MS patient trajectories improves predictions of
disability progression [2.117653457384462]
本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。
本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。
文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
論文 参考訳(メタデータ) (2020-11-09T20:48:00Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳(メタデータ) (2020-08-01T10:36:27Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。