Fugu-MT 論文翻訳(概要): WIP: Medical Incident Prediction Through Analysis of Electronic Medical Records Using Machine Lerning: Fall Prediction

論文の概要: WIP: Medical Incident Prediction Through Analysis of Electronic Medical Records Using Machine Lerning: Fall Prediction

arxiv url: http://arxiv.org/abs/2109.07106v1
Date: Wed, 15 Sep 2021 06:25:19 GMT
ステータス: 処理完了
システム内更新日: 2021-09-17 01:45:14.115927
Title: WIP: Medical Incident Prediction Through Analysis of Electronic Medical Records Using Machine Lerning: Fall Prediction
Title（参考訳）: WIP:マシンラーニングを用いた電子カルテ分析による医療事故予測:転倒予測
Authors: Atsushi Yanagisawa, Chintaka Premachandra, Hiruharu Kawanaka, Atsushi Inoue, Takeo Hata, Eiichiro Ueda
Abstract要約: 本稿では,医学的インシデント予測に関する予備的研究を概ね報告し,機械学習を用いた転倒リスク予測について報告する。大阪医薬大学病院の電子医療記録(EMR)の特定のサブセットからのみ、機械学習のデータを生成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper reports our preliminary work on medical incident prediction in general, and fall risk prediction in specific, using machine learning. Data for the machine learning are generated only from the particular subset of the electronic medical records (EMR) at Osaka Medical and Pharmaceutical University Hospital. As a result of conducting three experiments such as (1) machine learning algorithm comparison, (2) handling imbalance, and (3) investigation of explanatory variable contribution to the fall incident prediction, we find the investigation of explanatory variables the most effective.
Abstract（参考訳）: 本稿では,医学的インシデント予測に関する予備研究と,機械学習を用いた転倒リスク予測について報告する。大阪医薬大学病院の電子医療記録(EMR)の特定のサブセットからのみ、機械学習のデータを生成する。その結果,(1)機械学習アルゴリズムの比較,(2)不均衡の処理,(3)転倒事故予測への説明変数の寄与の検証などの3つの実験を行った結果,説明変数の探索が最も効果的であることが判明した。

関連論文リスト

Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文参考訳（メタデータ） (2024-10-06T18:46:28Z)
Random Forest-Based Prediction of Stroke Outcome [7.090384254446659]
入院後3ヶ月の死亡率と死亡率の予測に機械学習を用いて予測モデルを生成する。結論として、機械学習RFアルゴリズムは脳卒中患者の死亡率と死亡率の長期予後予測に有効である。
論文参考訳（メタデータ） (2024-02-01T14:54:17Z)
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)
Automatic prediction of mortality in patients with mental illness using electronic health records [0.5957022371135096]
本報告では,精神疾患患者の死亡率を予測するための永続的課題について述べる。 MIMIC-IIIデータセットから精神疾患の診断データを抽出した。 4つの機械学習アルゴリズムを使用し、ランダムフォレストとサポートベクターマシンのモデルが他のモデルよりも優れていたことを示す結果が得られた。
論文参考訳（メタデータ） (2023-10-18T17:21:01Z)
Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
論文参考訳（メタデータ） (2023-04-21T11:54:44Z)
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)
SCORE-IT: A Machine Learning-based Tool for Automatic Standardization of EEG Reports [0.4351216340655199]
本稿では,非構造化の自然言語脳波レポートからSCORE仕様からコンポーネントを自動的に抽出する機械学習システムを提案する。具体的には,(1)医師の印象によって記録された発作の種類,(2)医師の印象に従ってセッション記録が正常であったか異常であったか,(3)てんかんと診断されたか,などを特定する。
論文参考訳（メタデータ） (2021-09-13T04:05:37Z)
MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文参考訳（メタデータ） (2021-07-20T07:04:52Z)
Machine Learning with Electronic Health Records is vulnerable to Backdoor Trigger Attacks [11.729565632882721]
本研究では,攻撃者がEHRを用いて機械学習予測を容易かつ選択的に操作できることを実証する。我々は,MIMIC-IIIデータベースによるロジスティック回帰,多層パーセプトロン,長期記憶モデルに対する死亡予測タスクの平均攻撃成功率を97%とする。
論文参考訳（メタデータ） (2021-06-15T07:27:39Z)
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)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。