論文の概要: Process Modeling and Conformance Checking in Healthcare: A COVID-19 Case
Study
- arxiv url: http://arxiv.org/abs/2209.10897v1
- Date: Thu, 22 Sep 2022 10:08:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 14:09:53.200809
- Title: Process Modeling and Conformance Checking in Healthcare: A COVID-19 Case
Study
- Title（参考訳）: 医療におけるプロセスモデリングとコンフォーマンスチェック:新型コロナのケーススタディ
- Authors: Elisabetta Benevento, Marco Pegoraro, Mattia Antoniazzi, Harry H.
Beyel, Viki Peeva, Paul Balfanz, Wil M.P. van der Aalst, Lukas Martin, Gernot
Marx
- Abstract要約: 新型コロナウイルス患者の治療ガイドラインを表す規範的モデルを構築した。
我々は,新型コロナウイルス患者のケアプロセスを分析し,臨床ガイドラインの相違点を強調した。
その結果、医師はプロセスを改善し、サービス品質と患者満足度を確保するのに有用な指標が得られた。
- 参考スコア（独自算出の注目度）: 0.5986633283991984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The discipline of process mining has a solid track record of successful
applications to the healthcare domain. Within such research space, we conducted
a case study related to the Intensive Care Unit (ICU) ward of the Uniklinik
Aachen hospital in Germany. The aim of this work is twofold: developing a
normative model representing the clinical guidelines for the treatment of
COVID-19 patients, and analyzing the adherence of the observed behavior
(recorded in the information system of the hospital) to such guidelines. We
show that, through conformance checking techniques, it is possible to analyze
the care process for COVID-19 patients, highlighting the main deviations from
the clinical guidelines. The results provide physicians with useful indications
for improving the process and ensuring service quality and patient
satisfaction. We share the resulting model as an open-source BPMN file.
- Abstract（参考訳）: プロセスマイニングの分野は、医療分野への応用が成功した実績があります。
このような研究分野において,ドイツのユニクリニック・アーヘン病院の集中治療室(icu)病棟について事例研究を行った。
本研究の目的は,covid-19患者に対する臨床ガイドラインを表わす規範モデルの開発と,そのガイドラインに対する観察行動(病院情報システムに記録されている)の遵守度の分析である。
本研究は、適合性検査技術を用いて、新型コロナウイルス患者のケア過程を解析し、臨床ガイドラインの主な逸脱を浮き彫りにすることができることを示す。
その結果、医師はプロセスを改善し、サービス品質と患者満足度を確保するのに有用な指標が得られた。
結果のモデルをオープンソースBPMNファイルとして共有しています。
関連論文リスト
- Secure Federated Learning Approaches to Diagnosing COVID-19 [0.0]
本稿では,HIVの診断を支援するHIPAA対応モデルを提案する。
フェデレートラーニング(Federated Learning)は、分散機械学習のアプローチであり、複数の分散デバイスをまたいだアルゴリズムトレーニングを可能にする。
そこで我々は, 新型コロナウイルスの陽性診断を示す胸部X線の特徴を浮き彫りにする可視化技術を用いた。
論文 参考訳（メタデータ） (2024-01-23T02:14:05Z) - A Method to Automate the Discharge Summary Hospital Course for Neurology
Patients [0.2958331832356468]
エンコーダ・デコーダ・シーケンス・ツー・シーケンス・トランスモデルを用いて,病院のコースセクションを要約する自動手法を開発し,評価した。
この手法は13.76のR-2で良いROUGEスコアを示した。
論文 参考訳（メタデータ） (2023-05-10T18:53:51Z) - Optimizing Sepsis Care through Heuristics Methods in Process Mining: A
Trajectory Analysis [0.0]
本研究では,オランダの地域病院における敗血症患者の軌跡について調査した。
Heuristics Miner (HM) 法と Inductive Miner (IM) 法によってこのプロセスを発見することを目指している。
我々は組織的な情報と知識に基づいて、体系的なプロセスモデルを分析する。
論文 参考訳（メタデータ） (2023-03-25T02:05:03Z) - 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) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - Analyzing Medical Data with Process Mining: a COVID-19 Case Study [0.6948550171113752]
患者の歴史を示すタイムスタンプを含む医療記録は、医療情報の出来事のシーケンスとしての表現を可能にした。
我々は, プロセスマイニング技術により, 新型コロナウイルス患者に対するICU治療のモデルを再構築できることを実証した。
論文 参考訳（メタデータ） (2022-02-08T09:23:15Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文 参考訳（メタデータ） (2021-09-14T14:16:32Z) - COVID-Net MLSys: Designing COVID-Net for the Clinical Workflow [101.45411528425939]
本研究では、機械学習とシステム(MLSys)を用いて、新型コロナウイルス患者のスクリーニングシステムの設計を行う。
COVID-Netシステムは、継続的に進化するCOVIDxデータセット、新型コロナウイルス患者検出のためのCOVID-Netディープニューラルネットワーク、および重症度評価のためのCOVID-Net Sディープニューラルネットワークで構成されている。
COVID-Netシステム内のディープニューラルネットワークは最先端のパフォーマンスを持ち、臨床診断支援のためにユーザーインターフェース(UI)に統合されるように設計されている。
論文 参考訳（メタデータ） (2021-09-14T04:13:24Z) - A causal learning framework for the analysis and interpretation of
COVID-19 clinical data [7.256237785391623]
ワークフローは、BSLを通じて患者の結果の主な原因を特定する、多段階のアプローチから成り立っている。
特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。
対象者の85%の結果を3つの特徴のみに基づいて正確に予測する手法を考案した。
論文 参考訳（メタデータ） (2021-05-14T15:58:18Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z)
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。