論文の概要: Knowledge discovery from emergency ambulance dispatch during COVID-19: A
case study of Nagoya City, Japan
- arxiv url: http://arxiv.org/abs/2102.08628v1
- Date: Wed, 17 Feb 2021 08:37:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 14:34:37.194072
- Title: Knowledge discovery from emergency ambulance dispatch during COVID-19: A
case study of Nagoya City, Japan
- Title(参考訳): 新型コロナウイルスの緊急救急車派遣からの知見発見:名古屋市を事例として
- Authors: Essam A. Rashed, Sachiko Kodera, Hidenobu Shirakami, Ryotetsu
Kawaguchi, Kazuhiro Watanabe, Akimasa Hirata
- Abstract要約: パンデミック時に緊急救急車派遣(EAD)の数を推定するために, 繰り返しニューラルネットワークに基づく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, パンデミックなどの不確実性が高い時期におけるEAD要件の現実世界推定において, トレーニングデータのブレンドを効率的に利用できることが示唆された。
- 参考スコア(独自算出の注目度): 2.6097841018267616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate forecasting of medical service requirements is an important big data
problem that is crucial for resource management in critical times such as
natural disasters and pandemics. With the global spread of coronavirus disease
2019 (COVID-19), several concerns have been raised regarding the ability of
medical systems to handle sudden changes in the daily routines of healthcare
providers. One significant problem is the management of ambulance dispatch and
control during a pandemic. To help address this problem, we first analyze
ambulance dispatch data records from April 2014 to August 2020 for Nagoya City,
Japan. Significant changes were observed in the data during the pandemic,
including the state of emergency (SoE) declared across Japan. In this study, we
propose a deep learning framework based on recurrent neural networks to
estimate the number of emergency ambulance dispatches (EADs) during a SoE. The
fusion of data includes environmental factors, the localization data of mobile
phone users, and the past history of EADs, thereby providing a general
framework for knowledge discovery and better resource management. The results
indicate that the proposed blend of training data can be used efficiently in a
real-world estimation of EAD requirements during periods of high uncertainties
such as pandemics.
- Abstract(参考訳): 医療サービス要件の正確な予測は、自然災害やパンデミックといった重要な時期における資源管理にとって重要なビッグデータ問題である。
新型コロナウイルス(COVID-19)の世界的な普及に伴い、医療システムの医療提供者の日常的な突然の変化に対処する能力に関して、いくつかの懸念が高まっています。
一つの大きな問題は、パンデミック時の救急車の派遣と制御の管理である。
本研究は,2014年4月から2020年8月にかけて,名古屋市における救急搬送データの記録を分析した。
全国的に宣言された緊急事態(SoE)を含む、パンデミック中のデータで重要な変化が観察されました。
そこで本研究では,SoEにおける緊急救急搬送回数(EAD)を推定するために,繰り返しニューラルネットワークに基づくディープラーニングフレームワークを提案する。
データの融合は、環境要因、携帯電話ユーザーのローカリゼーションデータ、およびEADの過去の歴史を含むため、知識の発見とより良いリソース管理のための一般的なフレームワークを提供します。
その結果, パンデミックなどの不確実性が高い時期におけるEAD要件の現実世界推定において, トレーニングデータのブレンドを効率的に利用できることが示唆された。
関連論文リスト
- Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。
実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。
モンキーポックスのWHO流行宣言より4~9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
論文 参考訳(メタデータ) (2024-04-02T06:31:17Z) - Artificial Intelligence for Emergency Response [0.6091702876917281]
緊急対応管理(ERM)は、世界中のコミュニティが直面している課題である。
データ駆動モデルは、人的および財政的な損失を減らし、設計コード、交通規制、安全対策を改善するのに役立つ。
本チュートリアルでは,緊急応答における4つのサブプロブレム(インシデント予測,インシデント検出,リソース割り当て,リソースディスパッチ)について検討する。
論文 参考訳(メタデータ) (2023-06-15T18:16:08Z) - IoT-Based Remote Health Monitoring System Employing Smart Sensors for
Asthma Patients during COVID-19 Pandemic [0.0]
新型コロナウイルス(COVID-19)と喘息(喘息)は、コントロールされていない状況で生命を脅かす呼吸器疾患である。
バングラデシュなどの南アジアでは、新型コロナウイルス(COVID-19)の感染拡大が始まって以来、貧困が深刻化している。
本稿では,遠隔医療・環境モニタリングシステムの設計を通じて,現在の医療システムにおける課題が解決可能であることを実証する。
論文 参考訳(メタデータ) (2023-03-28T07:23:03Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Application of Executive Information System for COVID-19 Reporting
System and Management: An Example from DKI Jakarta, Indonesia [0.0]
ジャカルタ保健省は、COVID-19 ReportingのExecutive Information Systemと呼ばれるデータ管理システムを構築した。
EISの主な考え方は、ステークホルダーに有効かつ実際の情報を提供することであり、ダッシュボードの形式で提示できる。
インドネシアでは、システムが毎日50万人近い人のほぼ実際のデータを報告するのは、これが初めてかもしれない。
論文 参考訳(メタデータ) (2021-08-22T14:36:36Z) - Effect of different patient peak arrivals on an Emergency Department via
discrete event simulation [0.0]
イタリア中部の地震で被害を受けた中規模EDを流れる患者を調査するモデルを提案する。
特に本研究の目的は,患者到着回数の急激な急激な増加を引き起こす危機事象(自然災害など)に対応する,異常なED条件をシミュレートすることである。
このモデルは、大規模災害が発生した場合に起動する特定の緊急計画を定義する上で、ED管理者に有効な意思決定支援システムを提供する。
論文 参考訳(メタデータ) (2021-01-29T06:55:53Z) - CPAS: the UK's National Machine Learning-based Hospital Capacity
Planning System for COVID-19 [111.69190108272133]
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。
論文 参考訳(メタデータ) (2020-07-27T19:39:13Z) - 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) - COVI White Paper [67.04578448931741]
接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。
カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
論文 参考訳(メタデータ) (2020-05-18T07:40:49Z) - A County-level Dataset for Informing the United States' Response to
COVID-19 [5.682299443164938]
我々は、アメリカ合衆国郡のレベルに関する政府、ジャーナリスト、学術情報源から関連するデータを収集するデータセットを提示する。
私たちのデータセットには300以上の変数が含まれており、人口推計、人口統計、民族、住宅、教育、雇用と所得、気候、交通、スコア、医療システム関連メトリクスを要約しています。
論文 参考訳(メタデータ) (2020-04-01T05:07:27Z) - 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。