論文の概要: Min-similarity association rules for identifying past comorbidities of recurrent ED and inpatient patients

• arxiv url: http://arxiv.org/abs/2110.13769v1
• Date: Tue, 26 Oct 2021 15:22:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 14:24:19.247989
• Title: Min-similarity association rules for identifying past comorbidities of recurrent ED and inpatient patients
• Title（参考訳）: 再発性ED患者と入院患者の過去の相同性同定のための類似性関連ルール
• Authors: Luoluo Liu, Eran Simhon, Chaitanya Kulkarni, Ronny Mans
• Abstract要約: 病院では, 頻繁な患者の割合が, 医療資源使用量の不均等化に寄与している。 本稿では,最小類似度関連規則(MSAR)と呼ばれる新しいアルゴリズムを提案する。 ソリューションの一部はPhilips製品であるPatent Flow Capacity Suite (PFCS)にデプロイされている。
• 参考スコア（独自算出の注目度）: 1.5293427903448018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the hospital setting, a small percentage of recurrent frequent patients contribute to a disproportional amount of healthcare resource usage. Moreover, in many of these cases, patient outcomes can be greatly improved by reducing reoccurring visits, especially when they are associated with substance abuse, mental health, and medical factors that could be improved by social-behavioral interventions, outpatient or preventative care. To address this, we developed a computationally efficient and interpretable framework that both identifies recurrent patients with high utilization and determines which comorbidities contribute most to their recurrent visits. Specifically, we present a novel algorithm, called the minimum similarity association rules (MSAR), balancing confidence-support trade-off, to determine the conditions most associated with reoccurring Emergency department (ED) and inpatient visits. We validate MSAR on a large Electric Health Record (EHR) dataset. Part of the solution is deployed in Philips product Patient Flow Capacity Suite (PFCS).
• Abstract（参考訳）: 病院では, 頻繁な患者の割合が, 医療資源の利用量に比例する割合に寄与する。 さらに, 薬物乱用, メンタルヘルス, および社会的行動介入, 外来医療, 予防医療によって改善される医療要因に関連がある場合において, 再来院を減らし, 患者の成果を大幅に改善することができる。 そこで我々は,高利用率の反復性患者を同定し,反復的訪問に最も寄与する相補性を決定する,計算効率が高く解釈可能なフレームワークを開発した。 具体的には,最少類似度関連規則 (MSAR) と呼ばれる新たなアルゴリズムを提案する。 大規模な電気健康記録(EHR)データセット上でMSARを検証する。 ソリューションの一部はPhilips製品であるPatent Flow Capacity Suite (PFCS)にデプロイされている。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
  本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。 実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-23T04:47:46Z)
• A Temporal Fusion Transformer for Long-term Explainable Prediction of Emergency Department Overcrowding [0.0]
  救急省(英語: emergency Departments、略称:ED)は、ポルトガル国立衛生局(英語版)の基本的な要素である。 サービスを利用する患者の数を予測することは特に困難である。 本稿では,新しい深層学習アーキテクチャであるTemporal Fusion Transformerについて述べる。 我々は,ポルトガルの保健地域(HRA)では平均絶対過誤(MAPE)が5.90%,Root Mean Squared Error(RMSE)が84.4102人/日で予測可能であると結論づけた。
  論文  参考訳（メタデータ） (2022-07-01T18:08:07Z)
• Machine Learning for Deferral of Care Prediction [4.436632973105494]
  人口の継続的なケア先延ばしは、人口の健康と複雑な健康問題が減少し、長期的には社会的・財政的なコストが上昇する可能性がある。 マイノリティと脆弱な人口は、社会経済的要因によるケア遅延のリスクが高い。 現在、多くの医療システムは、以前治療を延期した患者を遡及的に識別するためにルールベースの技術を使用している。 本モデルの目的は,ケアを延期するリスクのある患者を識別し,直接的なアウトリーチやソーシャル・メディエーションを通じて,医療機関がケアの延期を防止することである。
  論文  参考訳（メタデータ） (2022-06-09T01:21:13Z)
• 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)
• 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)
• Temporal Pointwise Convolutional Networks for Length of Stay Prediction in the Intensive Care Unit [0.0]
  本稿では,時間的畳み込みとポイントワイド(1x1)畳み込みを組み合わせた新しい深層学習モデルを提案する。 電子健康記録(Electronic Health Records)の一般的な課題、例えば歪み、不規則なサンプリング、欠落データを軽減するために特別に設計された。 サイドタスクとして予測を追加することで、パフォーマンスをさらに向上できるため、滞在期間の予測において平均的な1.55日(eICU)と2.28日(MIMIC-IV)の偏差が生じる。
  論文  参考訳（メタデータ） (2020-07-18T17:30:10Z)
• Predicting Length of Stay in the Intensive Care Unit with Temporal Pointwise Convolutional Networks [0.0]
  本稿では,時間的畳み込みとポイントワイド(1x1)畳み込みを組み合わせた新しい深層学習モデルを提案する。 歪み、不規則なサンプリング、欠落データなど、電子健康記録の一般的な課題を緩和するために特別に設計された。
  論文  参考訳（メタデータ） (2020-06-29T15:18:33Z)
• 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。