論文の概要: Using machine learning techniques to predict hospital admission at the emergency department

• arxiv url: http://arxiv.org/abs/2106.12921v1
• Date: Wed, 23 Jun 2021 16:37:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-26 09:58:28.752810
• Title: Using machine learning techniques to predict hospital admission at the emergency department
• Title（参考訳）: 機械学習を用いた救急医療における入院予測
• Authors: Georgios Feretzakis, George Karlis, Evangelos Loupelis, Dimitris Kalles, Rea Chatzikyriakou, Nikolaos Trakas, Eugenia Karakou, Aikaterini Sakagianni, Lazaros Tzelves, Stavroula Petropoulou, Aikaterini Tika, Ilias Dalainas and Vasileios Kaldis
• Abstract要約: 救急部門(ED)における最も重要な課題の一つは、病院入院の恩恵を受ける患者を迅速に特定することである。 機械学習(ML)技術は、医療における診断支援として有望であることを示している。 本研究は,病院入院の予測における業績について,以下の特徴について考察した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: One of the most important tasks in the Emergency Department (ED) is to promptly identify the patients who will benefit from hospital admission. Machine Learning (ML) techniques show promise as diagnostic aids in healthcare. Material and methods: We investigated the following features seeking to investigate their performance in predicting hospital admission: serum levels of Urea, Creatinine, Lactate Dehydrogenase, Creatine Kinase, C-Reactive Protein, Complete Blood Count with differential, Activated Partial Thromboplastin Time, D Dimer, International Normalized Ratio, age, gender, triage disposition to ED unit and ambulance utilization. A total of 3,204 ED visits were analyzed. Results: The proposed algorithms generated models which demonstrated acceptable performance in predicting hospital admission of ED patients. The range of F-measure and ROC Area values of all eight evaluated algorithms were [0.679-0.708] and [0.734-0.774], respectively. Discussion: The main advantages of this tool include easy access, availability, yes/no result, and low cost. The clinical implications of our approach might facilitate a shift from traditional clinical decision-making to a more sophisticated model. Conclusion: Developing robust prognostic models with the utilization of common biomarkers is a project that might shape the future of emergency medicine. Our findings warrant confirmation with implementation in pragmatic ED trials.
• Abstract（参考訳）: 紹介:救急部門(ED)における最も重要な課題の1つは、病院入院の恩恵を受ける患者を迅速に特定することである。 機械学習(ML)技術は、医療における診断支援として有望であることを示している。 材料と方法: 尿素, クレアチニン, 乳酸脱水素酵素, クレアチンキナーゼ, c-反応性蛋白, 血液計数, 活性化部分トロンボプラスチン時間, dダイマー, 国際正規化比, 年齢, 性別, edユニットへのトリアージ配置, 救急車の使用率など, 入院率の予測における成績について検討した。 合計3,204回のED訪問が分析された。 結果:提案アルゴリズムは,ED患者の入院予測における許容性能を示すモデルを生成する。 8つの評価アルゴリズムのF値とROC値の範囲はそれぞれ [0.679-0.708] と [0.734-0.774] であった。 議論: このツールの主な利点は、簡単アクセス、可用性、イエス/ノー結果、低コストである。 本手法の臨床的意義は,従来の臨床的意思決定からより洗練されたモデルへの移行を促進する可能性がある。 結論: 共通のバイオマーカーを利用したロバストな予後モデルの開発は, 救急医療の将来を形作るかもしれない。 本研究は,実用的ED試験の実施を保証している。

関連論文リスト

• DeLLiriuM: A large language model for delirium prediction in the ICU using structured EHR [1.4699314771635081]
  デリリウムは急性の混乱状態であり、集中治療室(ICU)の31%の患者に影響を及ぼすことが示されている。 3大データベースにわたる195病院のICU入院患者104,303名を対象にDeLLiriuMの開発と評価を行った。
  論文  参考訳（メタデータ） (2024-10-22T18:56:31Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Explainable Machine Learning for ICU Readmission Prediction [0.10071153797668914]
  集中治療ユニット(ICU)は、複雑な病院環境を含む。 この環境における不確かで競合し、計画されていない側面は、ケアパスを均一に実施することの難しさを増大させる。 いくつかのユーティリティーは患者の医療情報を通じて寛解を予測しようと試みている。 この研究は、多中心データベース上で患者の寛容をモデル化するための標準化された、説明可能な機械学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-25T00:16:43Z)
• Assessing the impact of emergency department short stay units using length-of-stay prediction and discrete event simulation [1.0822676139724565]
  救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。 我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
  論文  参考訳（メタデータ） (2023-08-04T22:26:02Z)
• Machine Learning Techniques for Predicting the Short-Term Outcome of Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
  7つのディフフェレント分類アルゴリズムを用いてデータを解析した。 線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
  論文  参考訳（メタデータ） (2023-02-10T13:04:47Z)
• Machine Learning to Support Triage of Children at Risk for Epileptic Seizures in the Pediatric Intensive Care Unit [5.708335717084799]
  小児集中治療室(PICU)に入院した小児はてんかん発作が比較的多い PICU内の発作の危険と判断された小児は、連続脳波(cEEG)を用いてモニタリングされる 本研究の目的は、重篤児の発作リスク評価を改善するためのコンピュータ支援ツールを開発することである。
  論文  参考訳（メタデータ） (2022-05-11T10:24:58Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
  患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。 提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。 定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
  論文  参考訳（メタデータ） (2021-09-14T14:16:32Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)

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。