論文の概要: A prediction-based approach for online dynamic radiotherapy scheduling

• arxiv url: http://arxiv.org/abs/2112.08549v1
• Date: Thu, 16 Dec 2021 01:16:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 14:21:18.195866
• Title: A prediction-based approach for online dynamic radiotherapy scheduling
• Title（参考訳）: オンライン動的放射線治療スケジューリングのための予測に基づくアプローチ
• Authors: Tu-San Pham, Antoine Legrain, Patrick De Causmaecker, Louis-Martin Rousseau
• Abstract要約: 本稿では,オンライン動的放射線治療スケジューリングにおける予測に基づくアプローチを提案する。 患者の到着パターンと理想的な待ち時間との関係を認識するために回帰モデルを訓練する。 トレーニングされた回帰モデルは、その特性に基づいて患者をスケジュールする予測ベースのアプローチに組み込まれる。
• 参考スコア（独自算出の注目度）: 2.924868086534434
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Patient scheduling is a difficult task as it involves dealing with stochastic factors such as an unknown arrival flow of patients. Scheduling radiotherapy treatments for cancer patients faces a similar problem. Curative patients need to start their treatment within the recommended deadlines, i.e., 14 or 28 days after their admission while reserving treatment capacity for palliative patients who require urgent treatments within 1 to 3 days after their admission. Most cancer centers solve the problem by reserving a fixed number of treatment slots for emergency patients. However, this flat-reservation approach is not ideal and can cause overdue treatments for emergency patients on some days while not fully exploiting treatment capacity on some other days, which also leads to delaying treatment for curative patients. This problem is especially severe in large and crowded hospitals. In this paper, we propose a prediction-based approach for online dynamic radiotherapy scheduling. An offline problem where all future patient arrivals are known in advance is solved to optimality using Integer Programming. A regression model is then trained to recognize the links between patients' arrival patterns and their ideal waiting time. The trained regression model is then embedded in a prediction-based approach that schedules a patient based on their characteristics and the present state of the calendar. The numerical results show that our prediction-based approach efficiently prevents overdue treatments for emergency patients while maintaining a good waiting time compared to other scheduling approaches based on a flat-reservation policy.
• Abstract（参考訳）: 患者の未知の到着フローなどの確率的要因を扱うため、患者のスケジューリングは難しい作業である。 がん患者に対する放射線治療のスケジューリングも同様の問題に直面している。 入院1日から3日以内に緊急治療を要する緩和患者の治療能力を維持しつつ、入院14日から28日後の推奨期限内に治療を開始する必要がある。 ほとんどのがんセンターは、緊急患者のために一定の数の治療スロットを予約することで問題を解決している。 しかし、この保存的アプローチは理想的ではなく、数日の緊急患者に対する過剰な治療を生じる可能性があるが、他の日は治療能力を完全に活用していない。 この問題は大規模で混雑している病院では特に深刻である。 本稿では,オンライン動的放射線治療スケジューリングにおける予測に基づくアプローチを提案する。 Integer Programmingを使って、すべての患者が事前に到着することを知るオフラインの問題を最適に解決する。 回帰モデルは、患者の到着パターンと理想的な待ち時間の間の関係を認識するように訓練される。 トレーニングされた回帰モデルは、その特性とカレンダーの状態に基づいて患者をスケジュールする予測ベースのアプローチに埋め込まれる。 その結果, 予測に基づくアプローチは, フラット保存方針に基づいた他のスケジューリング手法と比較して, 待機時間を良好に保ちながら, 緊急患者に対する過剰治療を効果的に防止できることがわかった。

関連論文リスト

• Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information [0.0]
  保持を予測し、保持を最適化するスケジュール決定を推奨するデータ駆動手法が必要である。 予測モデルは、様々なスケジューリングオプションで保持率を推定するのに有用である。 本稿では、これらの複雑さを考慮に入れながら、HIVの維持を予測し、スケジューリングを最適化するオールインワンアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:19:38Z)
• Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
  イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。 機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
  論文  参考訳（メタデータ） (2024-04-29T13:05:59Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• Deep Attention Q-Network for Personalized Treatment Recommendation [1.6631602844999724]
  パーソナライズされた治療レコメンデーションのためのDeep Attention Q-Networkを提案する。 深い強化学習フレームワーク内のTransformerアーキテクチャは、過去のすべての患者の観察を効率的に取り入れている。 実世界の敗血症と急性低血圧コホートにおけるモデルの評価を行い、最先端モデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-07-04T07:00:19Z)
• 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)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
  一つの病院で1日当たりの入院患者数を予測するという課題について検討する。 データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-04-14T11:58:54Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• 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。