Fugu-MT 論文翻訳(概要): Surgical Scheduling via Optimization and Machine Learning with Long-Tailed Data

論文の概要: Surgical Scheduling via Optimization and Machine Learning with Long-Tailed Data

arxiv url: http://arxiv.org/abs/2202.06383v1
Date: Sun, 13 Feb 2022 18:36:16 GMT
ステータス: 処理完了
システム内更新日: 2022-02-15 18:12:24.464011
Title: Surgical Scheduling via Optimization and Machine Learning with Long-Tailed Data
Title（参考訳）: 長期データを用いた最適化と機械学習による手術スケジューリング
Authors: Yuan Shi, Saied Mahdian, Jose Blanchet, Peter Glynn, Andrew Y. Shin and David Scheinker
Abstract要約: 心血管外科手術における長期的,高度に変動する滞在期間を有する患者のデータを用いて,リハビリテーション単位の混雑軽減のためのモデルを構築した。各種機械学習モデルを用いてLOSを推定し,各種オンライン最適化モデルを用いたスケジューリング手順,シミュレーションによる性能推定を行う。機械学習モデルは、患者特性の豊富なセットへのアクセスにもかかわらず、控えめなLOS予測精度しか達成しなかった。
参考スコア（独自算出の注目度）: 2.093264331673548
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Using data from cardiovascular surgery patients with long and highly variable post-surgical lengths of stay (LOS), we develop a model to reduce recovery unit congestion. We estimate LOS using a variety of machine learning models, schedule procedures with a variety of online optimization models, and estimate performance with simulation. The machine learning models achieved only modest LOS prediction accuracy, despite access to a very rich set of patient characteristics. Compared to the current paper-based system used in the hospital, most optimization models failed to reduce congestion without increasing wait times for surgery. A conservative stochastic optimization with sufficient sampling to capture the long tail of the LOS distribution outperformed the current manual process. These results highlight the perils of using oversimplified distributional models of patient length of stay for scheduling procedures and the importance of using stochastic optimization well-suited to dealing with long-tailed behavior.
Abstract（参考訳）: 長期かつ多変量に長期滞在(LOS)を要した心血管外科手術患者のデータを用いて,リカバリ単位の混雑軽減モデルを構築した。各種機械学習モデルを用いてLOSを推定し,各種オンライン最適化モデルを用いたスケジューリング手順,シミュレーションによる性能推定を行う。機械学習モデルは、患者特性の豊富なセットへのアクセスにもかかわらず、控えめなLOS予測精度しか達成しなかった。病院で使われている紙ベースのシステムと比較して、ほとんどの最適化モデルは、手術待ち時間を増やすことなく、混雑を減らすことができなかった。 LOS分布の長い尾を捉えるのに十分なサンプリングを施した保守的確率的最適化は、現在の手作業よりも優れていた。これらの結果から, 患者滞在期間の過度に単純化された分布モデルを用いたスケジューリング手順と, 長期的治療に適した確率的最適化の重要性が示唆された。

関連論文リスト

Optimized Learning for X-Ray Image Classification for Multi-Class Disease Diagnoses with Accelerated Computing Strategies [0.0]
偽陽性は、非存在条件を誤って特定するリスクを導入し、誤診や患者のケア品質の低下につながる。本研究では,X線画像のマルチクラス診断に適した事前学習型ResNetモデルを提案する。通常のトレーニングと推論高速化トレーニングの間には,実行時の大幅な改善が示されている。
論文参考訳（メタデータ） (2024-07-01T18:31:30Z)
SEDMamba: Enhancing Selective State Space Modelling with Bottleneck Mechanism and Fine-to-Coarse Temporal Fusion for Efficient Error Detection in Robot-Assisted Surgery [7.863539113283565]
選択的状態空間モデル(SSM)を外科的誤り検出に組み込んだSEDMambaという新しい階層モデルを提案する。 SEDMambaは、長期ビデオにおける外科的エラーの検出と時間的局所化のために、ボトルネック機構と微細から粗い時間的融合(FCTF)を備えた選択的SSMを強化する。我々の研究は、実際の手術症例におけるエラー検出を支援するために、第一種、フレームレベル、生存中の外科的エラーデータセットにも貢献する。
論文参考訳（メタデータ） (2024-06-22T19:20:35Z)
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)
Neural LerPlane Representations for Fast 4D Reconstruction of Deformable Tissues [52.886545681833596]
LerPlaneは単一視点環境下での手術シーンの高速かつ正確な再構築手法である。 LerPlaneは外科手術を4Dボリュームとして扱い、静的および動的フィールドの明示的な2D平面に分解する。 LerPlaneは静的フィールドを共有し、動的組織モデリングのワークロードを大幅に削減する。
論文参考訳（メタデータ） (2023-05-31T14:38:35Z)
A comparison of approaches to improve worst-case predictive model performance over patient subpopulations [14.175321968797252]
患者において平均的に正確な臨床結果の予測モデルは、いくつかのサブ集団に対して劇的に過小評価される可能性がある。サブポピュレーションに対する解離および最悪の性能を一貫して改善するモデル開発と選択のアプローチを同定する。本研究は, 比較的少数の例外を除いて, 標準学習法よりも, 患者サブポピュレーションに対するアプローチが優れていることが確認された。
論文参考訳（メタデータ） (2021-08-27T13:10:00Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)
Fast, Accurate, and Simple Models for Tabular Data via Augmented Distillation [97.42894942391575]
本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
論文参考訳（メタデータ） (2020-06-25T09:57:47Z)
Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文参考訳（メタデータ） (2020-06-10T08:22:41Z)
Adaptive Prediction Timing for Electronic Health Records [3.308743964406688]
適応率で患者結果を予測する新しい,より現実的なアプローチを導入する。リカレントニューラルネットワーク(RNN)とベイズ埋め込み層に新しいアグリゲーション法を適用し,適応予測のタイミングを示す。入院48時間後,本モデルではスタティックウインドウと同等の性能を示した。
論文参考訳（メタデータ） (2020-03-05T12:02:44Z)
Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。