論文の概要: Machine learning-based patient selection in an emergency department
- arxiv url: http://arxiv.org/abs/2206.03752v1
- Date: Wed, 8 Jun 2022 08:56:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-09 21:56:41.554406
- Title: Machine learning-based patient selection in an emergency department
- Title（参考訳）: 救急部門における機械学習に基づく患者選択
- Authors: Nikolaus Furian, Michael O'Sullivan, Cameron Walker, Melanie
Reuter-Oppermann
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of Emergency Departments (EDs) is of great importance for any
health care system, as they serve as the entry point for many patients.
However, among other factors, the variability of patient acuity levels and
corresponding treatment requirements of patients visiting EDs imposes
significant challenges on decision makers. Balancing waiting times of patients
to be first seen by a physician with the overall length of stay over all acuity
levels is crucial to maintain an acceptable level of operational performance
for all patients. To address those requirements when assigning idle resources
to patients, several methods have been proposed in the past, including the
Accumulated Priority Queuing (APQ) method. The APQ method linearly assigns
priority scores to patients with respect to their time in the system and acuity
level. Hence, selection decisions are based on a simple system representation
that is used as an input for a selection function. This paper investigates the
potential of an Machine Learning (ML) based patient selection method. It
assumes that for a large set of training data, including a multitude of
different system states, (near) optimal assignments can be computed by a
(heuristic) optimizer, with respect to a chosen performance metric, and aims to
imitate such optimal behavior when applied to new situations. Thereby, it
incorporates a comprehensive state representation of the system and a complex
non-linear selection function. The motivation for the proposed approach is that
high quality selection decisions may depend on a variety of factors describing
the current state of the ED, not limited to waiting times, which can be
captured and utilized by the ML model. Results show that the proposed method
significantly outperforms the APQ method for a majority of evaluated settings
- Abstract（参考訳）: 救急部門(ED)のパフォーマンスは、多くの患者のエントリーポイントとして機能するため、あらゆる医療システムにとって非常に重要である。
しかし, EDsを受診した患者に対する患者視力の変動とそれに伴う治療要件は, 意思決定者にとって大きな課題となっている。
患者が最初に診察を受けるまでの待ち時間のバランスをとることは、すべての患者にとって許容できる手術成績を維持するために重要である。
患者にアイドルリソースを割り当てる際のこれらの要件に対処するため、過去には累積優先度キューイング(apq)法などいくつかの方法が提案されてきた。
APQ法は, 患者に対して, システム内の時間と明度に関して, 優先スコアを線形に割り当てる。
したがって、選択決定は、選択関数の入力として使用される単純なシステム表現に基づいている。
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。
多数の異なるシステム状態を含む大規模なトレーニングデータに対して、(ほぼ)最適な割り当ては、選択されたパフォーマンス指標に関して(ヒューリスティックな)オプティマイザによって計算できると仮定し、新しい状況に適用した場合にそのような最適な振る舞いを模倣することを目指している。
これにより、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る。
提案手法の動機は、高品質の選択決定は、待ち時間に限らず、EDの現在の状態を記述した様々な要因に依存し、MLモデルによって捕捉および利用することができることである。
その結果,提案手法は評価条件の大部分に対してAPQ法を著しく上回ることがわかった。
関連論文リスト
- Leveraging graph neural networks for supporting Automatic Triage of
Patients [5.864579168378686]
本稿では,救急部門における緊急コード割り当てを管理するためのAIベースのモジュールを提案する。
バイタルサイン、症状、医療史などの関連する患者情報を含むデータは、患者をトリアージカテゴリーに正確に分類するために使用される。
論文 参考訳（メタデータ） (2024-03-11T09:54:35Z) - Causal thinking for decision making on Electronic Health Records: why
and how [0.0]
データ駆動決定には因果思考が必要である。
実生活の患者記録から有効な意思決定を支援するための,ステップバイステップのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T08:17:00Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Performance, Transparency and Time. Feature selection to speed up the
diagnosis of Parkinson's disease [0.0]
特徴選択(FS)技術は、医師が病気を迅速に診断するのに役立つ。
FSは、モデルパフォーマンスを改善し、患者に必要なテストの数を減らすのに役立つ最適なサブセット機能である。
3つのFSは可変解析(ANOVA)、最小絶対収縮・選択演算子(LASSO)、連続特徴選択(SFS)である。
論文 参考訳（メタデータ） (2022-06-08T07:39:35Z) - Modelling Hospital Strategies in City-Scale Ambulance Dispatching [0.0]
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。
論文 参考訳（メタデータ） (2022-01-05T22:20:12Z) - 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) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。