論文の概要: Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis
- arxiv url: http://arxiv.org/abs/2105.07420v1
- Date: Sun, 16 May 2021 12:38:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:36:18.544812
- Title: Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis
- Title（参考訳）: 新型コロナウイルス(covid-19)パンデミックを考慮した病院の資源計画--最適化と感度分析
- Authors: Thomas Bartz-Beielstein, Marcel Dr\"oscher, Alpar G\"ur, Alexander
Hinterleitner, Olaf Mersmann, Dessislava Peeva, Lennard Reese, Nicolas
Rehbach, Frederik Rehbach, Amrita Sen, Aleksandr Subbotin, Martin Zaefferer
- Abstract要約: 新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
- 参考スコア（独自算出の注目度）: 87.31348761201716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crises like the COVID-19 pandemic pose a serious challenge to health-care
institutions. They need to plan the resources required for handling the
increased load, for instance, hospital beds and ventilators. To support the
resource planning of local health authorities from the Cologne region,
BaBSim.Hospital, a tool for capacity planning based on discrete event
simulation, was created. The predictive quality of the simulation is determined
by 29 parameters. Reasonable default values of these parameters were obtained
in detailed discussions with medical professionals. We aim to investigate and
optimize these parameters to improve BaBSim.Hospital. First approaches with
"out-of-the-box" optimization algorithms failed. Implementing a surrogate-based
optimization approach generated useful results in a reasonable time. To
understand the behavior of the algorithm and to get valuable insights into the
fitness landscape, an in-depth sensitivity analysis was performed. The
sensitivity analysis is crucial for the optimization process because it allows
focusing the optimization on the most important parameters. We illustrate how
this reduces the problem dimension without compromising the resulting accuracy.
The presented approach is applicable to many other real-world problems, e.g.,
the development of new elevator systems to cover the last mile or simulation of
student flow in academic study periods.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
病院のベッドや換気器など、負荷の増加に対処するために必要なリソースを計画する必要がある。
ケルン地域の地方保健機関の資源計画を支援するため,個別イベントシミュレーションに基づく容量計画ツールBaBSim.Hospitalを開発した。
シミュレーションの予測品質は29のパラメータによって決定される。
これらのパラメータの既定値は、医療専門家との詳細な議論で得られた。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指している。
最適化アルゴリズムを使った最初のアプローチは失敗した。
surrogateベースの最適化アプローチの実装は、合理的な時間で有用な結果を生み出した。
アルゴリズムの挙動を把握し,フィットネス環境に関する貴重な洞察を得るために,詳細な感度分析を行った。
感度解析は、最も重要なパラメータに最適化を集中させることができるため、最適化プロセスに不可欠である。
結果の精度を損なうことなく問題次元を小さくする方法を述べる。
提案手法は,ラストマイルをカバーする新しいエレベータシステムの開発や,学業期間における学生フローのシミュレーションなど,実世界の多くの問題に適用できる。
関連論文リスト
- OptBA: Optimizing Hyperparameters with the Bees Algorithm for Improved Medical Text Classification [0.0]
我々は,ビーズアルゴリズムを利用して,深層学習モデルのハイパーパラメータを微調整するOptBAを提案する。
実験の結果,約1.4%の精度向上が認められた。
論文 参考訳（メタデータ） (2023-03-14T16:04:13Z) - A Study of Left Before Treatment Complete Emergency Department Patients:
An Optimized Explanatory Machine Learning Framework [1.933681537640272]
本報告では,救急部門における治療完了前の左の要因について検討する枠組みを提案する。
このフレームワークは機械学習、メタヒューリスティック最適化、モデル解釈技術を統合している。
ED治療中の患者に対するLBTC結果の予測に最適化されたXGBモデルを用いる。
論文 参考訳（メタデータ） (2022-12-22T17:14:10Z) - Survival Prediction of Children Undergoing Hematopoietic Stem Cell
Transplantation Using Different Machine Learning Classifiers by Performing
Chi-squared Test and Hyper-parameter Optimization: A Retrospective Analysis [4.067706269490143]
効率的な生存率分類モデルが包括的に提示される。
欠落した値を入力し、ダミー変数符号化を用いてデータを変換し、チ二乗特徴選択を用いて59個の特徴から11個の最も相関した特徴にデータセットを圧縮することにより、合成データセットを生成する。
この点に関しては、決定木(Decision Tree)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、グラディエントブースティング(Gradient Boosting)、Ada Boost(Ada Boost)、XG Boost(XG Boost)など、いくつかの教師付きML手法が訓練された。
論文 参考訳（メタデータ） (2022-01-22T08:01:22Z) - Optimal discharge of patients from intensive care via a data-driven
policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。
本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。
データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文 参考訳（メタデータ） (2021-12-17T04:39:33Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。
また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文 参考訳（メタデータ） (2021-04-30T08:50:24Z) - Improving Reconstructive Surgery Design using Gaussian Process
Surrogates to Capture Material Behavior Uncertainty [0.0]
創部付近の過剰な負荷は、病的傷やその他の合併症を引き起こす。
FEシミュレーションは、大きな皮膚パッチと複雑なケースの応力場を予測することを約束している。
我々は、進行、回転、転位フラップのためのGPサロゲートを作成する。
論文 参考訳（メタデータ） (2020-10-05T11:44:09Z) - Optimization of High-dimensional Simulation Models Using Synthetic Data [0.1529342790344802]
本稿では,シミュレーションパラメータに対する可算区間の仕様のみを必要とするBuBシミュレータを提案する。
詳細な統計分析を行うことができ、最も重要なモデルパラメータについて深い洞察を得ることができる。
この研究は、新型コロナウイルスのパンデミックによって引き起こされる困難について明確に取り上げている。
論文 参考訳（メタデータ） (2020-09-06T17:21:41Z) - An Asymptotically Optimal Multi-Armed Bandit Algorithm and
Hyperparameter Optimization [48.5614138038673]
本稿では,高パラメータ探索評価のシナリオにおいて,SS (Sub-Sampling) と呼ばれる効率的で堅牢な帯域幅に基づくアルゴリズムを提案する。
また,BOSSと呼ばれる新しいパラメータ最適化アルゴリズムを開発した。
実験的な研究は、SSの理論的議論を検証し、多くのアプリケーションにおけるBOSSの優れた性能を実証する。
論文 参考訳（メタデータ） (2020-07-11T03:15:21Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。