論文の概要: An Integrated Optimization and Machine Learning Models to Predict the
Admission Status of Emergency Patients
- arxiv url: http://arxiv.org/abs/2202.09196v1
- Date: Fri, 18 Feb 2022 13:50:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-21 13:02:10.172336
- Title: An Integrated Optimization and Machine Learning Models to Predict the
Admission Status of Emergency Patients
- Title（参考訳）: 救急患者の入院状況予測のための統合的最適化と機械学習モデル
- Authors: Abdulaziz Ahmed, Omar Ashour, Haneen Ali, Mohammad Firouz
- Abstract要約: T-XGB、T-ADAB、T-MLPの3つの機械学習アルゴリズムが提案されている。
提案フレームワークは,患者搭乗プロセスを積極的に計画することにより,混雑を緩和することができる。
その結果,新たに提案したアルゴリズムはAUCが高く,従来のアルゴリズムよりも優れていた。
- 参考スコア（独自算出の注目度）: 1.0323063834827415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work proposes a framework for optimizing machine learning algorithms.
The practicality of the framework is illustrated using an important case study
from the healthcare domain, which is predicting the admission status of
emergency department (ED) patients (e.g., admitted vs. discharged) using
patient data at the time of triage. The proposed framework can mitigate the
crowding problem by proactively planning the patient boarding process. A large
retrospective dataset of patient records is obtained from the electronic health
record database of all ED visits over three years from three major locations of
a healthcare provider in the Midwest of the US. Three machine learning
algorithms are proposed: T-XGB, T-ADAB, and T-MLP. T-XGB integrates extreme
gradient boosting (XGB) and Tabu Search (TS), T-ADAB integrates Adaboost and
TS, and T-MLP integrates multi-layer perceptron (MLP) and TS. The proposed
algorithms are compared with the traditional algorithms: XGB, ADAB, and MLP, in
which their parameters are tunned using grid search. The three proposed
algorithms and the original ones are trained and tested using nine data groups
that are obtained from different feature selection methods. In other words, 54
models are developed. Performance was evaluated using five measures: Area under
the curve (AUC), sensitivity, specificity, F1, and accuracy. The results show
that the newly proposed algorithms resulted in high AUC and outperformed the
traditional algorithms. The T-ADAB performs the best among the newly developed
algorithms. The AUC, sensitivity, specificity, F1, and accuracy of the best
model are 95.4%, 99.3%, 91.4%, 95.2%, 97.2%, respectively.
- Abstract（参考訳）: 機械学習アルゴリズムを最適化するためのフレームワークを提案する。
この枠組みの実践性は、救急部門(ED)患者の入院状況(例えば、入院時と退院時)をトリアージ時に患者データを用いて予測する医療領域からの重要事例スタディを用いて説明される。
提案フレームワークは,患者搭乗プロセスを積極的に計画することにより,混雑を緩和することができる。
米国中西部の医療提供者の3つの主要な場所から3年以上にわたるED訪問の電子的健康記録データベースから、患者の記録の大規模な振り返りデータセットを取得する。
T-XGB、T-ADAB、T-MLPの3つの機械学習アルゴリズムが提案されている。
T-XGBは極端な勾配向上(XGB)とタブサーチ(TS)を統合し、T-ADABはAdaboostとTSを統合し、T-MLPは多層パーセプトロン(MLP)とTSを統合する。
提案アルゴリズムは従来のアルゴリズム(XGB, ADAB, MLP)と比較される。
提案する3つのアルゴリズムと元のアルゴリズムは、異なる特徴選択法から得られた9つのデータグループを使って訓練され、テストされる。
言い換えれば、54モデルが開発されている。
評価は, 曲線下面積(AUC), 感度, 特異度, F1, 精度の5つの尺度を用いて行った。
その結果,新たに提案するアルゴリズムは高aucとなり,従来のアルゴリズムを上回った。
T-ADABは新しく開発されたアルゴリズムの中で最高の性能を発揮する。
AUC、感度、特異性、F1、精度はそれぞれ95.4%、99.3%、91.4%、95.2%、97.2%である。
関連論文リスト
- Touchstone Benchmark: Are We on the Right Way for Evaluating AI Algorithms for Medical Segmentation? [90.30635552818875]
9種類の腹部臓器の大規模共同セグメント化ベンチマークであるTouchstoneを報告する。
このベンチマークは、世界中の76の病院から5,195回のCTスキャンと、11の病院から5,903回のCTスキャンに基づいています。
私たちは19のAIアルゴリズムの発明者14人を招待してアルゴリズムをトレーニングしましたが、私たちのチームは第三者として、3つのテストセットでこれらのアルゴリズムを独立して評価しました。
論文 参考訳（メタデータ） (2024-11-06T05:09:34Z) - Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。
本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
論文 参考訳（メタデータ） (2024-07-19T19:07:53Z) - PyTrial: Machine Learning Software and Benchmark for Clinical Trial
Applications [49.69824178329405]
PyTrialは、臨床試験の設計と運用のための一連の機械学習アルゴリズムのベンチマークとオープンソース実装を提供する。
患者結果予測,臨床試験サイト選択,トライアル結果予測,患者と臨床のマッチング,トライアル類似性検索,合成データ生成など,6つのタスクにわたる臨床試験のための34のMLアルゴリズムを網羅的に検討した。
PyTrialは、データローディング、モデル仕様、モデルトレーニング、モデル評価という、単純な4段階のプロセスで各タスクを定義します。
論文 参考訳（メタデータ） (2023-06-06T21:19:03Z) - An Adaptive Simulated Annealing-Based Machine Learning Approach for
Developing an E-Triage Tool for Hospital Emergency Operations [3.7851234061033847]
救急部門(EDs)の患者トリアージは、重篤で時間に敏感な患者のケアを優先するために必要である。
本稿では,機械学習を利用してEDで使用可能なe-triageツールを開発するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-22T17:25:12Z) - A Study of Left Before Treatment Complete Emergency Department Patients:
An Optimized Explanatory Machine Learning Framework [1.933681537640272]
本報告では,救急部門における治療完了前の左の要因について検討する枠組みを提案する。
このフレームワークは機械学習、メタヒューリスティック最適化、モデル解釈技術を統合している。
ED治療中の患者に対するLBTC結果の予測に最適化されたXGBモデルを用いる。
論文 参考訳（メタデータ） (2022-12-22T17:14:10Z) - Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。
我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。
提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文 参考訳（メタデータ） (2022-06-11T18:03:26Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Genealogical Population-Based Training for Hyperparameter Optimization [1.0514231683620516]
本研究では,計算コストの2倍から3倍に削減できることを実験的に実証した。
本手法は探索アルゴリズムであり,内部探索ルーチンをTPE,GP,CMA,ランダム探索などの任意の探索アルゴリズムにすることができる。
論文 参考訳（メタデータ） (2021-09-30T08:49:41Z) - Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier,
Autoencoders and Fuzzy Entropies [9.861415775909663]
脳波信号はてんかん発作の検出に広く用いられている。
本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
論文 参考訳（メタデータ） (2021-09-06T11:02:25Z) - ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。
ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
論文 参考訳（メタデータ） (2020-06-01T05:00:51Z)
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。