論文の概要: A Temporal Fusion Transformer for Long-term Explainable Prediction of
Emergency Department Overcrowding
- arxiv url: http://arxiv.org/abs/2207.00610v3
- Date: Tue, 22 Nov 2022 16:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 09:34:15.300355
- Title: A Temporal Fusion Transformer for Long-term Explainable Prediction of
Emergency Department Overcrowding
- Title(参考訳): 救急部門過密の長期予測のための時間型核融合変圧器
- Authors: Francisco M. Caldas and Cl\'audia Soares
- Abstract要約: 救急省(英語: emergency Departments、略称:ED)は、ポルトガル国立衛生局(英語版)の基本的な要素である。
サービスを利用する患者の数を予測することは特に困難である。
本稿では,新しい深層学習アーキテクチャであるTemporal Fusion Transformerについて述べる。
我々は,ポルトガルの保健地域(HRA)では平均絶対過誤(MAPE)が5.90%,Root Mean Squared Error(RMSE)が84.4102人/日で予測可能であると結論づけた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emergency Departments (EDs) are a fundamental element of the Portuguese
National Health Service, serving as an entry point for users with diverse and
very serious medical problems. Due to the inherent characteristics of the ED;
forecasting the number of patients using the services is particularly
challenging. And a mismatch between the affluence and the number of medical
professionals can lead to a decrease in the quality of the services provided
and create problems that have repercussions for the entire hospital, with the
requisition of health care workers from other departments and the postponement
of surgeries. ED overcrowding is driven, in part, by non-urgent patients, that
resort to emergency services despite not having a medical emergency and which
represent almost half of the total number of daily patients. This paper
describes a novel deep learning architecture, the Temporal Fusion Transformer,
that uses calendar and time-series covariates to forecast prediction intervals
and point predictions for a 4 week period. We have concluded that patient
volume can be forecasted with a Mean Absolute Percentage Error (MAPE) of 5.90%
for Portugal's Health Regional Areas (HRA) and a Root Mean Squared Error (RMSE)
of 84.4102 people/day. The paper shows empirical evidence supporting the use of
a multivariate approach with static and time-series covariates while surpassing
other models commonly found in the literature.
- Abstract(参考訳): 救急省(ED)はポルトガル国民健康サービスの基本的要素であり、多様で非常に深刻な医療問題を抱える利用者のエントリポイントとして機能している。
EDの本質的な特徴から,サービスを利用する患者数を予測することは特に困難である。
また、多給者と医療従事者数のミスマッチは、提供されたサービスの質を低下させ、他の部署の医療従事者の徴発や手術の延期など、病院全体の損害を被る問題を引き起こす可能性がある。
edオーバークローディング(ed overcrowding)は、医療上の緊急事態を伴わず、毎日の患者数のほぼ半分を占める救急サービスを利用する非患者によって部分的に駆動される。
本稿では,カレンダーと時系列共変量を用いて4週間の予測間隔とポイント予測を行う,新しいディープラーニングアーキテクチャであるtemporal fusion transformerについて述べる。
我々は,ポルトガルの保健地域(HRA)では平均絶対過誤(MAPE)が5.90%,Root Mean Squared Error(RMSE)が84.4102人/日で予測可能であると結論づけた。
この論文は、静的および時系列共変量を用いた多変量アプローチの使用を支持する実証的証拠を示し、文献で一般的に見られる他のモデルを超えている。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - Predicting Unplanned Readmissions in the Intensive Care Unit: A
Multimodality Evaluation [2.2559617939136505]
退院は、ある期間内に退院した患者が、同じまたは関連するケアのために再び入院した場合である。
我々は、時系列分析と自然言語処理に最先端の機械学習アプローチを用いて、ICUにおける未計画の可読度を予測する。
論文 参考訳(メタデータ) (2023-05-14T12:20:13Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳(メタデータ) (2021-12-19T01:45:57Z) - Sequential Diagnosis Prediction with Transformer and Ontological
Representation [35.88195694025553]
本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。
2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
論文 参考訳(メタデータ) (2021-09-07T13:09:55Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳(メタデータ) (2021-04-28T15:32:42Z) - 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) - Emergency Department Optimization and Load Prediction in Hospitals [9.90154803957148]
我々は、ED到着とED患者の容積を予測するための機械学習モデルを用いたツールを開発した。
本稿では,本ツールを用いたアクティブな臨床展開におけるユーザ体験から得られた予測モデル,課題,および学習結果について論じる。
論文 参考訳(メタデータ) (2021-02-06T21:52:51Z) - Effect of different patient peak arrivals on an Emergency Department via
discrete event simulation [0.0]
イタリア中部の地震で被害を受けた中規模EDを流れる患者を調査するモデルを提案する。
特に本研究の目的は,患者到着回数の急激な急激な増加を引き起こす危機事象(自然災害など)に対応する,異常なED条件をシミュレートすることである。
このモデルは、大規模災害が発生した場合に起動する特定の緊急計画を定義する上で、ED管理者に有効な意思決定支援システムを提供する。
論文 参考訳(メタデータ) (2021-01-29T06:55:53Z) - 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) - Temporal Pointwise Convolutional Networks for Length of Stay Prediction
in the Intensive Care Unit [0.0]
本稿では,時間的畳み込みとポイントワイド(1x1)畳み込みを組み合わせた新しい深層学習モデルを提案する。
電子健康記録(Electronic Health Records)の一般的な課題、例えば歪み、不規則なサンプリング、欠落データを軽減するために特別に設計された。
サイドタスクとして予測を追加することで、パフォーマンスをさらに向上できるため、滞在期間の予測において平均的な1.55日(eICU)と2.28日(MIMIC-IV)の偏差が生じる。
論文 参考訳(メタデータ) (2020-07-18T17:30:10Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z)
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。