論文の概要: Exploring Runtime Decision Support for Trauma Resuscitation

• arxiv url: http://arxiv.org/abs/2207.02922v1
• Date: Wed, 6 Jul 2022 19:02:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 12:50:01.071855
• Title: Exploring Runtime Decision Support for Trauma Resuscitation
• Title（参考訳）: トラウマ蘇生のための実行時決定支援の探索
• Authors: Keyi Li, Sen Yang, Travis M. Sullivan, Randall S. Burd, Ivan Marsic
• Abstract要約: 我々は,実行時次分間のアクティビティ予測を提供する治療推薦システムを開発した。 このシステムは、患者コンテキスト(例えば、人口統計学やバイタルサイン)とプロセスコンテキスト(例えば、活動)を使用して、次の数分で実行されるアクティビティを継続的に予測する。 ベストモデルの平均F1スコアは61種類の活動に対して0.67であった。
• 参考スコア（独自算出の注目度）: 7.3268099910347715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based recommender systems have been successfully applied in many domains (e.g., e-commerce, feeds ranking). Medical experts believe that incorporating such methods into a clinical decision support system may help reduce medical team errors and improve patient outcomes during treatment processes (e.g., trauma resuscitation, surgical processes). Limited research, however, has been done to develop automatic data-driven treatment decision support. We explored the feasibility of building a treatment recommender system to provide runtime next-minute activity predictions. The system uses patient context (e.g., demographics and vital signs) and process context (e.g., activities) to continuously predict activities that will be performed in the next minute. We evaluated our system on a pre-recorded dataset of trauma resuscitation and conducted an ablation study on different model variants. The best model achieved an average F1-score of 0.67 for 61 activity types. We include medical team feedback and discuss the future work.
• Abstract（参考訳）: AIベースの推薦システムは、多くのドメイン(eコマース、フィードランキングなど)でうまく適用されている。 医療専門家は、そのような手法を臨床決定支援システムに組み込むことは、治療過程(例えば、外傷蘇生、外科的プロセス)における医療チームのエラーを減らし、患者の結果を改善するのに役立つと考えている。 しかし、データ駆動型自動治療支援を開発するための研究は限られている。 我々は,次分動作予測を行うための治療レコメンデータシステムの構築の可能性を検討した。 このシステムは、患者のコンテキスト(人口統計やバイタルサインなど)とプロセスコンテキスト(アクティビティなど)を使用して、次の分で実行されるアクティビティを継続的に予測する。 トラウマ蘇生を事前に記録したデータセットを用いて評価し,異なるモデル変種に対するアブレーション試験を行った。 ベストモデルは61種類のF1スコア平均0.67を達成した。 医療チームからのフィードバックも含み、今後の作業について話し合います。

関連論文リスト

• Enhancing Readmission Prediction with Deep Learning: Extracting Biomedical Concepts from Clinical Texts [0.26813152817733554]
  本研究は,30日以内の患者の寛解をテキストマイニング技術を用いて予測することに焦点を当てた。 この目的のために分類モデルを開発するために,様々な機械学習および深層学習手法が用いられた。
  論文  参考訳（メタデータ） (2024-03-12T09:03:44Z)
• 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)
• Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
  動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。 最適な治療体制を効率的に学習するための強化学習法を開発した。
  論文  参考訳（メタデータ） (2021-12-08T20:22:04Z)
• 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)
• Health improvement framework for planning actionable treatment process using surrogate Bayesian model [1.2468700211588881]
  本研究は,データ駆動方式で治療プロセスを計画するための新しい枠組みを提案する。 このフレームワークの重要なポイントは、個人の健康改善のための「行動可能性」の評価である。
  論文  参考訳（メタデータ） (2020-10-30T06:02:49Z)
• 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)
• A Review of Computational Approaches for Evaluation of Rehabilitation Exercises [58.720142291102135]
  本稿では,モーションキャプチャシステムを用いたリハビリテーションプログラムにおける患者のパフォーマンスを評価するための計算手法についてレビューする。 エクササイズ評価のための再検討された計算手法は, 離散的な運動スコア, ルールベース, テンプレートベースアプローチの3つのカテゴリに分類される。
  論文  参考訳（メタデータ） (2020-02-29T22:18:56Z)
• Opportunities of a Machine Learning-based Decision Support System for Stroke Rehabilitation Assessment [64.52563354823711]
  リハビリテーションアセスメントは、患者の適切な介入を決定するために重要である。 現在の評価の実践は、主にセラピストの経験に依存しており、セラピストの可用性が限られているため、アセスメントは頻繁に実施される。 我々は、強化学習を用いて評価の健全な特徴を識別できるインテリジェントな意思決定支援システムを開発した。
  論文  参考訳（メタデータ） (2020-02-27T17:04:07Z)
• 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。