論文の概要: Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning

• arxiv url: http://arxiv.org/abs/2211.00739v1
• Date: Tue, 1 Nov 2022 20:42:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 14:31:27.785563
• Title: Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning
• Title（参考訳）: 説明可能な機械学習を用いたパンデミック誘発概念ドリフトによる患者フロー予測
• Authors: Teo Susnjak and Paula Maddigan
• Abstract要約: 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。
• 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: Accurately forecasting patient arrivals at Urgent Care Clinics (UCCs) and Emergency Departments (EDs) is important for effective resourcing and patient care. However, correctly estimating patient flows is not straightforward since it depends on many drivers. The predictability of patient arrivals has recently been further complicated by the COVID-19 pandemic conditions and the resulting lockdowns. This study investigates how a suite of novel quasi-real-time variables like Google search terms, pedestrian traffic, the prevailing incidence levels of influenza, as well as the COVID-19 Alert Level indicators can both generally improve the forecasting models of patient flows and effectively adapt the models to the unfolding disruptions of pandemic conditions. This research also uniquely contributes to the body of work in this domain by employing tools from the eXplainable AI field to investigate more deeply the internal mechanics of the models than has previously been done. The Voting ensemble-based method combining machine learning and statistical techniques was the most reliable in our experiments. Our study showed that the prevailing COVID-19 Alert Level feature together with Google search terms and pedestrian traffic were effective at producing generalisable forecasts. The implications of this study are that proxy variables can effectively augment standard autoregressive features to ensure accurate forecasting of patient flows. The experiments showed that the proposed features are potentially effective model inputs for preserving forecast accuracies in the event of future pandemic outbreaks.
• Abstract（参考訳）: 緊急医療機関(Urgent Care Clinicals, UCCs)と救急部門(EDs)の患者到着を正確に予測することは, 効果的なリソーシングと患者ケアに重要である。 しかし、多くのドライバに依存するため、正しく患者フローを推定することは簡単ではない。 新型コロナウイルス(covid-19)のパンデミックやロックダウンにより、患者の到着予想がさらに複雑になっている。 本研究では,google検索用語,歩行者の交通量,インフルエンザの発生率,および新型コロナウイルスの警報レベル指標など,新たな準リアルタイム変数のスイートが,一般的に患者フロー予測モデルを改善し,そのモデルがパンデミック状態の広範囲な混乱に効果的に適用できるかを検討する。 この研究は、eXplainable AIフィールドのツールを使用して、これまでよりもモデルの内部力学をより深く研究することで、この領域における作業の本体に一意に貢献する。 機械学習と統計的手法を組み合わせた投票アンサンブル方式は,実験で最も信頼性が高い。 当社の調査では、一般的な新型コロナウイルスの警告レベル機能とgoogle検索用語と歩行者のトラフィックが、一般的な予測に有効であったことが分かりました。 本研究の意義は,患者フローの正確な予測を確実にするために,プロキシ変数が標準自己回帰機能を効果的に増強できることである。 提案手法は,今後のパンデミック発生時の予測精度の維持に有効なモデル入力である可能性が示唆された。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• A Knowledge Distillation Approach for Sepsis Outcome Prediction from Multivariate Clinical Time Series [2.621671379723151]
  我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。 我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
  論文  参考訳（メタデータ） (2023-11-16T05:06:51Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Random Forest of Epidemiological Models for Influenza Forecasting [7.050453841068465]
  本稿では,ベースラインモデルSIkJalphaの個々の予測子を利用して,その性能を向上させるツリーアンサンブルモデルの設計を提案する。 我々は、ランダムフォレストに基づくアプローチが、平均絶対誤差、カバレッジ、重み付き間隔スコアの観点から、個々の予測者の予測を改善することを実証した。
  論文  参考訳（メタデータ） (2022-06-17T18:47:40Z)
• Forecasting Patient Demand at Urgent Care Clinics using Machine Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2022-05-25T22:27:49Z)
• 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)
• Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
  本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。 新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。 予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
  論文  参考訳（メタデータ） (2021-02-01T20:35:22Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)

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。