論文の概要: Modelling Hospital Strategies in City-Scale Ambulance Dispatching
- arxiv url: http://arxiv.org/abs/2201.01846v1
- Date: Wed, 5 Jan 2022 22:20:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 05:25:44.689736
- Title: Modelling Hospital Strategies in City-Scale Ambulance Dispatching
- Title（参考訳）: 都市規模の救急搬送における病院戦略のモデル化
- Authors: Xinyu Fu and Valeria Krzhizhanovskaya and Alexey Yakovlev and Sergey
Kovalchuk
- Abstract要約: 本稿では,大都市におけるマルチエージェント医療環境における救急搬送プロセスのモデル化とシミュレーション手法を提案する。
提案手法は,統合ゲーム理論 (GT) を用いて病院戦略を同定することに基づく。
本研究は, 対象病院のPCIに誘導されたACS患者に救急車を派遣する際の問題点について考察した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The optimisation in the ambulance dispatching process is significant for
patients who need early treatments. However, the problem of dynamic ambulance
redeployment for destination hospital selection has rarely been investigated.
The paper proposes an approach to model and simulate the ambulance dispatching
process in multi-agents healthcare environments of large cities. The proposed
approach is based on using the coupled game-theoretic (GT) approach to identify
hospital strategies (considering hospitals as players within a non-cooperative
game) and performing discrete-event simulation (DES) of patient delivery and
provision of healthcare services to evaluate ambulance dispatching (selection
of target hospital). Assuming the collective nature of decisions on patient
delivery, the approach assesses the influence of the diverse behaviours of
hospitals on system performance with possible further optimisation of this
performance. The approach is studied through a series of cases starting with a
simplified 1D model and proceeding with a coupled 2D model and real-world
application. The study considers the problem of dispatching ambulances to
patients with the ACS directed to the PCI in the target hospital. A real-world
case study of data from Saint Petersburg (Russia) is analysed showing the
better conformity of the global characteristics (mortality rate) of the
healthcare system with the proposed approach being applied to discovering the
agents' diverse behaviour.
- Abstract（参考訳）: 救急搬送プロセスの最適化は早期治療を必要とする患者にとって重要である。
しかし,目的地病院選択のための動的救急車再配置の問題はほとんど調査されていない。
本稿では,大都市のマルチエージェント医療環境における救急搬送プロセスのモデル化とシミュレーション手法を提案する。
提案手法は,統合ゲーム理論(GT)アプローチを用いて,病院戦略(非協力型ゲーム内での病院をプレイヤーとみなす)を特定し,患者提供の離散イベントシミュレーション(DES)を行い,救急搬送(対象病院の選択)を評価する医療サービスの提供を行う。
このアプローチは、患者のデリバリーに対する意思決定の集団的性質を仮定し、病院の多様な行動がシステムパフォーマンスに与える影響を評価し、このパフォーマンスをさらに最適化する。
このアプローチは、単純化された1Dモデルから始まり、結合された2Dモデルと実世界のアプリケーションで進行する一連のケースを通して研究される。
本研究は,対象病院のacs患者に対して救急搬送を行う際の問題点について検討した。
サンクトペテルブルク(ロシア)の実際のケーススタディは、医療システムのグローバルな特徴(死亡率)の適合性をよりよく示しており、提案されたアプローチはエージェントの多様な振る舞いを発見するために適用されている。
関連論文リスト
- Predicting 30-Day Hospital Readmission in Medicare Patients: Insights from an LSTM Deep Learning Model [4.918444397807014]
本研究は, LSTMネットワークと機能工学を用いたメディケア病院の入院状況を分析し, コントリビューションの評価を行った。
LSTMモデルは、入院レベルおよび患者レベルのデータから時間的ダイナミクスを捉えるように設計されている。
主な特徴は、Charlson Comorbidity Index、病院の滞在時間、過去6ヶ月間の入院、人口統計学の変数は影響を受けなかった。
論文 参考訳（メタデータ） (2024-10-23T03:50:32Z) - Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。
従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。
このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
論文 参考訳（メタデータ） (2024-07-17T17:00:20Z) - A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis [3.5280004326441365]
PatWay-Netは、敗血症患者の集中治療室への入院の予測を解釈するために設計されたMLフレームワークである。
本稿では,新しいタイプのリカレントニューラルネットワークを提案し,それを多層パーセプトロンと組み合わせて患者経路を処理する。
我々は、患者の健康状態、予測結果、関連するリスクを視覚化する包括的ダッシュボードを通じて、その実用性を実証する。
論文 参考訳（メタデータ） (2024-05-21T20:31:42Z) - 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) - 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) - Machine learning-based patient selection in an emergency department [0.0]
本稿では機械学習(ML)に基づく患者選択手法の可能性について検討する。
システムの包括的な状態表現と、複雑な非線形選択関数が組み込まれている。
その結果,提案手法は評価条件の大部分においてAPQ法よりも有意に優れていた。
論文 参考訳（メタデータ） (2022-06-08T08:56:52Z) - 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) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳（メタデータ） (2021-05-13T04:14:35Z) - 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) - 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。