論文の概要: Why Machine Learning Integrated Patient Flow Simulation?

• arxiv url: http://arxiv.org/abs/2104.08203v1
• Date: Fri, 16 Apr 2021 16:23:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 16:40:09.904437
• Title: Why Machine Learning Integrated Patient Flow Simulation?
• Title（参考訳）: 機械学習統合型患者フローシミュレーションはなぜ可能か?
• Authors: Tesfamariam M. Abuhay, Adane Mamuye, Stewart Robinson, Sergey V. Kovalchuk
• Abstract要約: 患者フロー分析は、シミュレーションを用いて臨床または手術の観点から研究することができる。 従来の統計手法は患者フローシミュレーションのサブモデルの構築に用いられてきた。 機械学習の手法は、入場率の研究と予測に効率的であることが証明されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patient flow analysis can be studied from a clinical and or operational perspective using simulation. Traditional statistical methods such as stochastic distribution methods have been used to construct patient flow simulation submodels such as patient inflow, Length of Stay (LoS), Cost of Treatment (CoT) and Clinical Pathway (CP) models. However, patient inflow demonstrates seasonality, trend and variation over time. LoS, CoT and CP are significantly determined by attributes of patients and clinical and laboratory test results. For this reason, patient flow simulation models constructed using traditional statistical methods are criticized for ignoring heterogeneity and their contribution to personalized and value based healthcare. On the other hand, machine learning methods have proven to be efficient to study and predict admission rate, LoS, CoT, and CP. This paper, hence, describes why coupling machine learning with patient flow simulation is important and proposes a conceptual architecture that shows how to integrate machine learning with patient flow simulation.
• Abstract（参考訳）: 患者フロー分析は、シミュレーションを用いて臨床または手術の観点から研究することができる。 確率分布法のような従来の統計的手法は、患者の流入、滞在時間(los)、治療費(cot)、臨床経路(cp)モデルなどの患者フローシミュレーションのサブモデルを構築するのに使われてきた。 しかし、患者の流入は季節性、傾向、時間とともに変化する。 LoS, CoT, CPは, 患者の属性や臨床検査, 臨床検査の結果から明らかに決定される。 このため、従来の統計手法を用いて構築された患者フローシミュレーションモデルは、異質性を無視し、個人化および価値ベースの医療への貢献を批判されている。 一方で、機械学習手法は、入場率、ロス、cot、cpの研究と予測に効率的であることが証明されている。 そこで本稿では,機械学習と患者フローシミュレーションの結合が重要である理由を説明し,患者フローシミュレーションと機械学習を統合するための概念的アーキテクチャを提案する。

関連論文リスト

• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting Coronary Artery Hemodynamics [24.8579242043367]
  局所血行動態は冠動脈狭窄の機能的意義を決定する上で重要な役割を担っている。 CCTA画像から冠状動脈血行動態を予測できるエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-30T15:12:52Z)
• COPER: Continuous Patient State Perceiver [13.735956129637945]
  本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。 ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。 提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
  論文  参考訳（メタデータ） (2022-08-05T14:32:57Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Extending Process Discovery with Model Complexity Optimization and Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
  モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。 所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。 医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-06-10T16:20:59Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Simulation Modelling and Analysis of Primary Health Centre Operations [0.0]
  インドにおけるプライマリ・ヘルス・センター(PHC)の運営に関する個別のシミュレーションモデルを提案する。 我々のPHCシミュレーションモデルは、外来患者、入院患者、出産患者、産婦人科医の4種類の患者を対象とする。
  論文  参考訳（メタデータ） (2021-02-15T07:03:45Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。