論文の概要: A Literature Review on Length of Stay Prediction for Stroke Patients
using Machine Learning and Statistical Approaches
- arxiv url: http://arxiv.org/abs/2201.00005v1
- Date: Thu, 30 Dec 2021 03:48:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 05:08:05.419897
- Title: A Literature Review on Length of Stay Prediction for Stroke Patients
using Machine Learning and Statistical Approaches
- Title(参考訳): 機械学習と統計的アプローチを用いた脳卒中患者の静止予測長に関する文献レビュー
- Authors: Ola Alkhatib and Ayman Alahmar
- Abstract要約: 病院滞在時間(LOS)は、病院のサービス品質を反映し、病院のスケジュールと管理を改善するための最も重要な医療指標の1つである。
本研究では,機械学習と統計的アプローチを用いたLOS予測に関する論文をレビューした。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Hospital length of stay (LOS) is one of the most essential healthcare metrics
that reflects the hospital quality of service and helps improve hospital
scheduling and management. LOS prediction helps in cost management because
patients who remain in hospitals usually do so in hospital units where
resources are severely limited. In this study, we reviewed papers on LOS
prediction using machine learning and statistical approaches. Our literature
review considers research studies that focus on LOS prediction for stroke
patients. Some of the surveyed studies revealed that authors reached
contradicting conclusions. For example, the age of the patient was considered
an important predictor of LOS for stroke patients in some studies, while other
studies concluded that age was not a significant factor. Therefore, additional
research is required in this domain to further understand the predictors of LOS
for stroke patients.
- Abstract(参考訳): 病院滞在時間(LOS)は、病院のサービス品質を反映し、病院のスケジュールと管理を改善するための最も重要な医療指標の1つである。
LOS予測は、病院に留まる患者は通常、資源が著しく制限されている病院で行うため、コスト管理に役立つ。
本研究では,機械学習と統計的アプローチを用いたLOS予測に関する論文をレビューした。
本研究は脳卒中患者のLOS予測に焦点をあてた研究を考察する。
調査の結果、著者が矛盾する結論に達したことが判明した。
例えば、脳卒中患者の年齢はLOSの重要な予測因子と考えられ、他の研究では年齢が重要な要因ではないと結論付けている。
したがって、脳卒中患者のLOS予測因子をより理解するために、この領域ではさらなる研究が必要である。
関連論文リスト
- Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳(メタデータ) (2023-12-31T16:01:48Z) - An Interpretable Deep-Learning Framework for Predicting Hospital
Readmissions From Electronic Health Records [2.156208381257605]
そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。
実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
論文 参考訳(メタデータ) (2023-10-16T08:48:52Z) - Assessing the impact of emergency department short stay units using
length-of-stay prediction and discrete event simulation [1.0822676139724565]
救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。
我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
論文 参考訳(メタデータ) (2023-08-04T22:26:02Z) - Predicting Unplanned Readmissions in the Intensive Care Unit: A
Multimodality Evaluation [2.2559617939136505]
退院は、ある期間内に退院した患者が、同じまたは関連するケアのために再び入院した場合である。
我々は、時系列分析と自然言語処理に最先端の機械学習アプローチを用いて、ICUにおける未計画の可読度を予測する。
論文 参考訳(メタデータ) (2023-05-14T12:20:13Z) - 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) - Hospitalization Length of Stay Prediction using Patient Event Sequences [4.204781617630707]
本稿では,患者情報をイベントのシーケンスとしてモデル化し,入院期間(LOS)を予測するための新しいアプローチを提案する。
本稿では,患者の医療イベントシーケンスを記述したユニークな特徴を用いたLOS予測のためのトランスフォーマーベースモデルMedic-BERT(M-BERT)を提案する。
実験結果から,M-BERTは様々なLOS問題に対して高い精度を達成でき,従来の非シーケンスベース機械学習手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-03-20T11:48:36Z) - Retrieve, Reason, and Refine: Generating Accurate and Faithful Patient
Instructions [65.11629300465812]
臨床作業量を削減しつつ,不完全性を回避する客観的な手段を提供する新しい課題を提案する。
Re3Writerは医師の作業パターンを模倣し、医師によって書かれた歴史的なPIから関連する作業経験を最初に取得する。
その後、回収された作業経験を洗練させ、医療知識を推論して有用な情報を抽出する。
論文 参考訳(メタデータ) (2022-10-23T16:34:39Z) - 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) - Process Mining Model to Predict Mortality in Paralytic Ileus Patients [0.0]
麻痺性イレウス(PI)患者は集中治療室(ICU)に入院すると死亡リスクが高く、死亡率は40%に達する。
当科では入院24時間後のICU患者の死亡率予測におけるパフォーマンス改善について検討した。
論文 参考訳(メタデータ) (2021-08-03T03:09:13Z) - 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。
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。