論文の概要: HiPAL: A Deep Framework for Physician Burnout Prediction Using Activity
Logs in Electronic Health Records
- arxiv url: http://arxiv.org/abs/2205.11680v1
- Date: Tue, 24 May 2022 00:10:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-25 15:13:57.214624
- Title: HiPAL: A Deep Framework for Physician Burnout Prediction Using Activity
Logs in Electronic Health Records
- Title（参考訳）: HiPAL:電子健康記録のアクティビティログを用いた物理バーンアウト予測のためのディープフレームワーク
- Authors: Hanyang Liu, Sunny S. Lou, Benjamin C. Warner, Derek R. Harford,
Thomas Kannampallil, Chenyang Lu
- Abstract要約: 本稿では,臨床のアクティビティログに基づいて,医師のバーンアウトを予測するためのエンドツーエンドディープラーニングフレームワークを提案する。
大量の未ラベルのアクティビティログを活用するために、未ラベルの診療活動から抽出した知識をHiPALベースの予測モデルに転送する半教師付きフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.33502784851559
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Burnout is a significant public health concern affecting nearly half of the
healthcare workforce. This paper presents the first end-to-end deep learning
framework for predicting physician burnout based on clinician activity logs,
digital traces of their work activities, available in any electronic health
record (EHR) system. In contrast to prior approaches that exclusively relied on
surveys for burnout measurement, our framework directly learns deep workload
representations from large-scale clinician activity logs to predict burnout. We
propose the Hierarchical burnout Prediction based on Activity Logs (HiPAL),
featuring a pre-trained time-dependent activity embedding mechanism tailored
for activity logs and a hierarchical predictive model, which mirrors the
natural hierarchical structure of clinician activity logs and captures
physician's evolving workload patterns at both short-term and long-term levels.
To utilize the large amount of unlabeled activity logs, we propose a
semi-supervised framework that learns to transfer knowledge extracted from
unlabeled clinician activities to the HiPAL-based prediction model. The
experiment on over 15 million clinician activity logs collected from the EHR at
a large academic medical center demonstrates the advantages of our proposed
framework in predictive performance of physician burnout and training
efficiency over state of the art approaches.
- Abstract（参考訳）: バーンアウトは医療従事者のほぼ半数に影響する公衆衛生上の重大な懸念である。
本稿では,電子健康記録(EHR)システムで利用可能な臨床活動記録,その活動のデジタルトレースに基づいて,医師のバーンアウトを予測するための最初のエンドツーエンドディープラーニングフレームワークを提案する。
バーンアウト測定に専ら頼っていた従来のアプローチとは対照的に,我々のフレームワークは大規模診療活動ログから深層作業負荷表現を直接学習してバーンアウトを予測する。
活動ログに基づく階層的バーンアウト予測(HiPAL)を提案し,活動ログに適した時間依存型アクティビティ埋め込み機構と,臨床活動ログの自然な階層構造を反映した階層的予測モデルと,短期・長期の双方で医師の進化するワークロードパターンを捉えた。
ラベルなし活動ログを多用するために,ラベルなし臨床活動から抽出した知識をhipalベースの予測モデルに転送する半教師付きフレームワークを提案する。
大規模学術医療センターのehrから収集した1500万以上の臨床活動ログに関する実験は,医師の燃え尽き症候群の予測性能と最先端のアプローチに対するトレーニング効率の利点を実証するものである。
関連論文リスト
- Continuous Predictive Modeling of Clinical Notes and ICD Codes in Patient Health Records [9.427150895481832]
本研究は, 患者全員の滞在時間におけるICDコード予測の可能性について検討した。
早期に診断と治療を予測する手法の開発は、予測医学の機会を開く可能性がある。
論文 参考訳（メタデータ） (2024-05-19T17:23:04Z) - Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳（メタデータ） (2024-01-19T16:26:35Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - Conceptualizing Machine Learning for Dynamic Information Retrieval of
Electronic Health Record Notes [6.1656026560972]
本研究は、特定の臨床コンテキストにおける注記関連性の監督源として、機械学習におけるEHR監査ログの使用を概念化したものである。
本手法は,個々のノート作成セッションでどのノートが読み込まれるかを予測するために0.963のAUCを実現できることを示す。
論文 参考訳（メタデータ） (2023-08-09T21:04:19Z) - LATTE: Label-efficient Incident Phenotyping from Longitudinal Electronic
Health Records [11.408950540503112]
本稿では, LAbel-efficienT incidenT phEnotypingアルゴリズムを提案する。
LATTEは2型糖尿病の発症、心不全、多発性硬化症の発症と再発の3つの分析に基づいて評価された。
論文 参考訳（メタデータ） (2023-05-19T03:28:51Z) - Self-supervised Pretraining with Classification Labels for Temporal
Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。
検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。
本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-26T18:59:28Z) - Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal
Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。
我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。
本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文 参考訳（メタデータ） (2021-06-09T00:42:44Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - 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) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-06-28T21:03:19Z)
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。