論文の概要: Forecasting Patient Demand at Urgent Care Clinics using Machine Learning
- arxiv url: http://arxiv.org/abs/2205.13067v1
- Date: Wed, 25 May 2022 22:27:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-27 13:20:37.982535
- Title: Forecasting Patient Demand at Urgent Care Clinics using Machine Learning
- Title（参考訳）: 機械学習を用いた救急医療施設の患者需要予測
- Authors: Paula Maddigan and Teo Susnjak
- Abstract要約: 本研究は,ニュージーランドのオークランドにある2つの大規模救急医療施設において,患者の正確なプレゼンテーションを機械学習で作成する能力について検討した。
この問題領域の最も効果的なテクニックを決定するために, 日常的な患者需要予測を3ヶ月前に行うために, 機械学習アルゴリズムを多数検討した。
その結果, アンサンブルをベースとした手法は, 最も正確で一貫したソリューションを平均で提供し, 既存手法に比べて23%-27%の改善を実現し, 日々の需要を推定した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Urgent care clinics and emergency departments around the world periodically
suffer from extended wait times beyond patient expectations due to inadequate
staffing levels. These delays have been linked with adverse clinical outcomes.
Previous research into forecasting demand this domain has mostly used a
collection of statistical techniques, with machine learning approaches only now
beginning to emerge in recent literature. The forecasting problem for this
domain is difficult and has also been complicated by the COVID-19 pandemic
which has introduced an additional complexity to this estimation due to typical
demand patterns being disrupted. This study explores the ability of machine
learning methods to generate accurate patient presentations at two large urgent
care clinics located in Auckland, New Zealand. A number of machine learning
algorithms were explored in order to determine the most effective technique for
this problem domain, with the task of making forecasts of daily patient demand
three months in advance. The study also performed an in-depth analysis into the
model behaviour in respect to the exploration of which features are most
effective at predicting demand and which features are capable of adaptation to
the volatility caused by the COVID-19 pandemic lockdowns. The results showed
that ensemble-based methods delivered the most accurate and consistent
solutions on average, generating improvements in the range of 23%-27% over the
existing in-house methods for estimating the daily demand.
- Abstract（参考訳）: 緊急医療クリニックや救急部門は、スタッフの不足により、患者が期待する以上の待ち時間が長くなっている。
これらの遅延は副作用と関係している。
この領域の需要予測に関するこれまでの研究は、主に統計技術を用いており、機械学習のアプローチが近年の文献に現れ始めたばかりである。
この領域の予測問題は困難であり、また、典型的な需要パターンが破壊されているため、この推定にさらなる複雑さをもたらしたCOVID-19パンデミックによって複雑になっている。
本研究は,ニュージーランドのオークランドにある2つの大規模緊急医療クリニックにおいて,正確な患者提示を行うための機械学習手法の能力について検討する。
この問題領域で最も効果的な手法を決定するために、多くの機械学習アルゴリズムが研究され、毎日の患者の需要予測を3ヶ月前に行うことが課題となった。
また、需要予測に最も有効な特徴や、新型コロナウイルス(COVID-19)のパンデミック・ロックダウンによるボラティリティに適応できる特徴について、モデル行動の詳細な分析を行った。
その結果, アンサンブルをベースとした手法は, 最も正確で一貫したソリューションを平均で提供し, 既存手法に比べて23%-27%の改善を実現し, 日々の需要を推定した。
関連論文リスト
- 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) - Approaching adverse event detection utilizing transformers on clinical
time-series [0.0]
北ランド病院トラスト(NHT)から得られた16ヶ月のバイタルサイン記録の分析を行った。
我々はSTraTSトランスフォーマーアーキテクチャに基づく自己教師型フレームワークを用いて,遅延空間における時系列データを表現した。
これらの表現は、臨床経過に基づいて、潜在的な患者表現型を探索するために、様々なクラスタリング手法を適用された。
論文 参考訳（メタデータ） (2023-11-15T18:05:31Z) - Predictive and Prescriptive Analytics for Multi-Site Modeling of Frail
and Elderly Patient Services [0.0]
本研究の目的は、需要が増大している医療分野における、様々な予測的、規範的分析手法が、運用上の課題にどのように貢献するかを評価することである。
規範的な面では、ベッドや病棟のスタッフを最適に計画する方法を決定するための決定論的プログラムと2段階プログラムが開発されている。
我々の研究は、医療管理者が予測モデルと規範モデルを使ってより情報的な意思決定を行うことを検討すべきであることを明らかにしている。
論文 参考訳（メタデータ） (2023-11-13T12:25:45Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Forecasting Patient Flows with Pandemic Induced Concept Drift using
Explainable Machine Learning [0.0]
本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。
新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
論文 参考訳（メタデータ） (2022-11-01T20:42:26Z) - Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。
医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。
近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
論文 参考訳（メタデータ） (2021-08-30T18:14:27Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - 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。