論文の概要: A strategy to identify event specific hospitalizations in large health claims database

• arxiv url: http://arxiv.org/abs/2111.04443v1
• Date: Mon, 25 Oct 2021 19:50:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 07:35:34.108203
• Title: A strategy to identify event specific hospitalizations in large health claims database
• Title（参考訳）: 大規模医療保険データベースにおけるイベント特定病院の特定戦略
• Authors: Joshua Lambert, Harpal Sandhu, Emily Kean, Teenu Xavier, Aviv Brokman, Zachary Steckler, Lee Park, Arnold Stromberg
• Abstract要約: 特定のイベントによる入院を分類するための枠組みを提案する。 我々は、新型コロナウイルス(COVID-19)陽性の米国成人約400万人を対象に、この枠組みを健康保険請求データベースでテストする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Health insurance claims data offer a unique opportunity to study disease distribution on a large scale. Challenges arise in the process of accurately analyzing these raw data. One important challenge to overcome is the accurate classification of study outcomes. For example, using claims data, there is no clear way of classifying hospitalizations due to a specific event. This is because of the inherent disjointedness and lack of context that typically come with raw claims data. In this paper, we propose a framework for classifying hospitalizations due to a specific event. We then test this framework in a health insurance claims database with approximately 4 million US adults who tested positive with COVID-19 between March and December 2020. Our claims specific COVID-19 related hospitalizations proportion is then compared to nationally reported rates from the Centers for Disease Control by age and sex.
• Abstract（参考訳）: 健康保険の請求データは、病気の分布を大規模に研究するユニークな機会を提供する。 これらの生データを正確に分析する過程で問題が発生する。 克服すべき重要な課題の1つは、研究結果の正確な分類である。 例えば、クレームデータを使用すると、特定のイベントのために病院を分類する方法が明確でない。 これは、本質的に不整合性と、通常は生のクレームデータを伴うコンテキストの欠如が原因である。 本稿では,特定のイベントによる入院を分類するための枠組みを提案する。 そして、2020年3月から12月にかけて、米国内の約400万人の成人を対象に、この枠組みを健康保険請求データベースでテストします。 われわれの主張では、covid-19関連の入院の割合は、年齢と性別による疾病管理センターの全国報告率と比較される。

関連論文リスト

• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge [66.86170104167608]
  RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。 MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。 この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
  論文  参考訳（メタデータ） (2024-02-14T18:18:33Z)
• COVID-19: An exploration of consecutive systemic barriers to pathogen-related data sharing during a pandemic [3.192308005611312]
  2020年の新型コロナウイルス(COVID-19)パンデミックは、世界中の政府や研究者の迅速な対応につながった。 2023年末時点で、新型コロナウイルス(COVID-19)による死者は数百万人を超えている。 パンデミックに関連するデータを扱うデータ専門家は、多くの場合、このデータにアクセス、共有、再利用するための重要なシステム上の障壁に直面します。
  論文  参考訳（メタデータ） (2022-05-24T14:25:09Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
  われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。 一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
  論文  参考訳（メタデータ） (2020-06-23T03:36:19Z)
• Data-driven Identification of Number of Unreported Cases for COVID-19: Bounds and Limitations [10.796851110372593]
  正確な長期予測を妨げる重要な要因は、報告されていない/症状のないケースの数である。 報告された症例の要因として, 実例のこの比率の下位境界, 上限を同定できることが示唆された。 報告されていないケースの数を一定期間のみ確実に推定できることを実証する。
  論文  参考訳（メタデータ） (2020-06-03T09:39:50Z)
• CoronaSurveys: Using Surveys with Indirect Reporting to Estimate the Incidence and Evolution of Epidemics [29.03294669532478]
  参加者が接触者の健康状態について報告する(匿名)調査に基づく手法を提案する。 この間接的な報告手法は、文献ではネットワークスケールアップ法として知られており、参加者とその連絡先のプライバシーを保護している。 CoronaSurveysによって得られた結果は、このアプローチのパワーと柔軟性を示し、LMICの安価で強力なツールになり得ることを示唆している。
  論文  参考訳（メタデータ） (2020-05-24T11:58:23Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• A County-level Dataset for Informing the United States' Response to COVID-19 [5.682299443164938]
  我々は、アメリカ合衆国郡のレベルに関する政府、ジャーナリスト、学術情報源から関連するデータを収集するデータセットを提示する。 私たちのデータセットには300以上の変数が含まれており、人口推計、人口統計、民族、住宅、教育、雇用と所得、気候、交通、スコア、医療システム関連メトリクスを要約しています。
  論文  参考訳（メタデータ） (2020-04-01T05:07:27Z)

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。