論文の概要: Predicting the Travel Distance of Patients to Access Healthcare using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2112.03541v1
• Date: Tue, 7 Dec 2021 07:34:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 00:02:19.514871
• Title: Predicting the Travel Distance of Patients to Access Healthcare using Deep Neural Networks
• Title（参考訳）: 深層ニューラルネットワークを用いた医療アクセス患者の移動距離予測
• Authors: Li-Chin Chen, Ji-Tian Sheu, Yuh-Jue Chuang, Yu Tsao
• Abstract要約: 本研究では,遠隔医療における患者選択の複雑な決定をモデル化するためのディープニューラルネットワークアプローチを提案する。 患者の移動距離を予測するために,CNNを用いたフレームワークの有効性を実証した。
• 参考スコア（独自算出の注目度）: 12.155001613499625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Improving geographical access remains a key issue in determining the sufficiency of regional medical resources during health policy design. However, patient choices can be the result of the complex interactivity of various factors. The aim of this study is to propose a deep neural network approach to model the complex decision of patient choice in travel distance to access care, which is an important indicator for policymaking in allocating resources. Method: We used the 4-year nationwide insurance data of Taiwan and accumulated the possible features discussed in earlier literature. This study proposes the use of a convolutional neural network (CNN)-based framework to make predictions. The model performance was tested against other machine learning methods. The proposed framework was further interpreted using Integrated Gradients (IG) to analyze the feature weights. Results: We successfully demonstrated the effectiveness of using a CNN-based framework to predict the travel distance of patients, achieving an accuracy of 0.968, AUC of 0.969, sensitivity of 0.960, and specificity of 0.989. The CNN-based framework outperformed all other methods. In this research, the IG weights are potentially explainable; however, the relationship does not correspond to known indicators in public health, similar to common consensus. Conclusions: Our results demonstrate the feasibility of the deep learning-based travel distance prediction model. It has the potential to guide policymaking in resource allocation.
• Abstract（参考訳）: 目的: 健康政策設計における地域医療資源の充実度を決定する上で, 地理的アクセスの改善が重要な課題である。 しかし、患者選択は様々な要因の複雑な相互作用の結果である。 本研究の目的は、資源配分における政策決定の重要な指標である、旅行距離における患者選択の複雑な決定をモデル化するディープニューラルネットワークアプローチを提案することである。 方法: 台湾の4年間の全国保険データを用いて, これまでの文献で議論された特徴を蓄積した。 本研究では,畳み込みニューラルネットワーク(CNN)を用いた予測手法を提案する。 モデル性能は、他の機械学習手法と比較された。 提案するフレームワークは,特徴量の解析にIG(Integrated Gradients)を用いてさらに解釈された。 結果: cnnベースのフレームワークを用いて患者の移動距離を予測し, 精度0.968, auc0.969, 感度0.960, 特異度0.989を得た。 CNNベースのフレームワークは、他のすべてのメソッドよりも優れていた。 本研究では、IG重みは潜在的に説明可能であるが、この関係は公衆衛生における既知の指標と一致しない。 結論: 本研究は深層学習に基づく旅行距離予測モデルの実現可能性を示す。 資源配分において政策立案を導く可能性がある。

関連論文リスト

• Feasibility Analysis of Federated Neural Networks for Explainable Detection of Atrial Fibrillation [1.6053176639259055]
  心房細動 (AFib) の早期発見は, 無症候性, 発作性に困難である。 本研究は、生のECGデータを用いてAFibを検出するために、フェデレートラーニング(FL)プラットフォーム上でニューラルネットワークをトレーニングする可能性を評価する。
  論文  参考訳（メタデータ） (2024-10-14T15:06:10Z)
• Explainable Diagnosis Prediction through Neuro-Symbolic Integration [11.842565087408449]
  我々は、診断予測のための説明可能なモデルを開発するために、神経象徴的手法、特に論理ニューラルネットワーク(LNN)を用いている。 私たちのモデル、特に$M_textmulti-pathway$と$M_textcomprehensive$は、従来のモデルよりも優れたパフォーマンスを示します。 これらの知見は、医療AI応用における精度と説明可能性のギャップを埋める神経象徴的アプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2024-10-01T22:47:24Z)
• Predicting the Stay Length of Patients in Hospitals using Convolutional Gated Recurrent Deep Learning Model [19.964439251985944]
  我々は、多層畳み込み(CNN)ディープラーニング、Gated Recurrent Units(GRU)、Dense Neural Networkを組み合わせた、堅牢なハイブリッドディープラーニングモデルを導入する。 提案したモデル (CNN-GRU-DNN) は, LSTM, BiLSTM, GRU, Convolutional Neural Networks (CNN) を平均89%, 18.2%, 18.6%, 7% で上回っている。
  論文  参考訳（メタデータ） (2024-09-26T12:29:13Z)
• Inadequacy of common stochastic neural networks for reliable clinical decision support [0.4262974002462632]
  医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。 しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。 本研究は臨床応用における信頼性について考察する。
  論文  参考訳（メタデータ） (2024-01-24T18:49:30Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• 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)
• MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
  ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。 我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
  論文  参考訳（メタデータ） (2020-11-17T15:18:38Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Using Deep Learning and Explainable Artificial Intelligence in Patients' Choices of Hospital Levels [10.985001960872264]
  本研究は、全国の保険データを用いて、既存の文献で議論されている可能性のある特徴を蓄積し、ディープニューラルネットワークを用いて患者の病院レベルの選択を予測した。 その結果,受信機動作特性曲線 (AUC) (0.90), 精度 (0.90), 感度 (0.94), 特異度 (0.97) を高不均衡ラベルで予測できた。
  論文  参考訳（メタデータ） (2020-06-24T02:15:15Z)
• Finding Patient Zero: Learning Contagion Source with Graph Neural Networks [67.3415507211942]
  感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。 既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。 グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
  論文  参考訳（メタデータ） (2020-06-21T21:12:44Z)

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。