論文の概要: Scheduling with Predictions
- arxiv url: http://arxiv.org/abs/2212.10433v1
- Date: Tue, 20 Dec 2022 17:10:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 14:46:37.297505
- Title: Scheduling with Predictions
- Title(参考訳): 予測によるスケジューリング
- Authors: Woo-Hyung Cho, Shane Henderson, David Shmoys
- Abstract要約: 現代の学習技術により、医療画像の異常を数分で検出できるようになった。
機械による診断は、放射線技師による人間の画像のレビューを確実に置き換えることはできない。
本研究では,このシナリオを学習強化オンラインスケジューリング問題として定式化することによって研究する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There is significant interest in deploying machine learning algorithms for
diagnostic radiology, as modern learning techniques have made it possible to
detect abnormalities in medical images within minutes. While machine-assisted
diagnoses cannot yet reliably replace human reviews of images by a radiologist,
they could inform prioritization rules for determining the order by which to
review patient cases so that patients with time-sensitive conditions could
benefit from early intervention.
We study this scenario by formulating it as a learning-augmented online
scheduling problem. We are given information about each arriving patient's
urgency level in advance, but these predictions are inevitably error-prone. In
this formulation, we face the challenges of decision making under imperfect
information, and of responding dynamically to prediction error as we observe
better data in real-time. We propose a simple online policy and show that this
policy is in fact the best possible in certain stylized settings. We also
demonstrate that our policy achieves the two desiderata of online algorithms
with predictions: consistency (performance improvement with prediction
accuracy) and robustness (protection against the worst case). We complement our
theoretical findings with empirical evaluations of the policy under settings
that more accurately reflect clinical scenarios in the real world.
- Abstract(参考訳): 医学画像の異常を数分で検出できる近代的な学習技術により、診断放射線学のための機械学習アルゴリズムの展開に大きな関心がある。
機械による診断は、放射線技師による画像のヒトのレビューを確実に置き換えることはできないが、患者を検査する順番を決定するための優先順位付けルールを通知することで、早期介入の恩恵を受けることができる。
このシナリオを学習強化オンラインスケジューリング問題として定式化する。
到着した各患者の緊急度に関する情報は事前に与えられているが、これらの予測は必然的にエラーを起こしやすい。
この定式化では,不完全な情報に基づく意思決定の課題と,より良いデータをリアルタイムに観察する上で予測誤差に動的に対応する課題に直面する。
我々は、簡単なオンラインポリシーを提案し、このポリシーが特定のスタイル化された設定で可能な最善であることを示す。
また,オンラインアルゴリズムの2つのデシラタを,一貫性(予測精度による性能向上)と堅牢性(最悪の場合に対する保護)という予測で実現していることを示す。
実世界の臨床シナリオをより正確に反映した条件下での政策の実証的評価と理論的知見を補完する。
関連論文リスト
- SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。
また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
論文 参考訳(メタデータ) (2024-09-30T03:01:25Z) - A conformalized learning of a prediction set with applications to medical imaging classification [14.304858613146536]
本稿では,真のラベルを含む予測セットをユーザが特定した確率で生成するアルゴリズムを提案する。
提案アルゴリズムをいくつかの標準医用画像分類データセットに適用した。
論文 参考訳(メタデータ) (2024-08-09T12:49:04Z) - 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) - Auditing for Human Expertise [12.967730957018688]
我々は、この問題を自然仮説テストとして適用できる統計的枠組みを開発する。
本稿では,専門家の予測が興味ある結果から統計的に独立しているかどうかを判定する簡単な手順を提案する。
我々のテストの拒絶は、人間の専門家が利用可能なデータに基づいてトレーニングされたアルゴリズムに価値を付加する可能性を示唆している。
論文 参考訳(メタデータ) (2023-06-02T16:15:24Z) - Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。
患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。
患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
論文 参考訳(メタデータ) (2023-03-21T21:42:03Z) - Clinically-Inspired Multi-Agent Transformers for Disease Trajectory
Forecasting from Multimodal Data [13.766035805437847]
予測問題を一対多の予測問題として定式化する。
2つのエージェントによる臨床的意思決定プロセスにインスパイアされ、2つのトランスフォーマーベースコンポーネントによる予後を予測する。
本研究は, 変形性膝関節症の発生を予測し, 生のマルチモーダルデータから直接アルツハイマー病の臨床像を予測するためのアプローチの有効性を示す。
論文 参考訳(メタデータ) (2022-10-25T10:16:42Z) - 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) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳(メタデータ) (2021-05-13T04:14:35Z) - 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。