論文の概要: A Study of Left Before Treatment Complete Emergency Department Patients:
An Optimized Explanatory Machine Learning Framework
- arxiv url: http://arxiv.org/abs/2212.11879v1
- Date: Thu, 22 Dec 2022 17:14:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:36:10.790816
- Title: A Study of Left Before Treatment Complete Emergency Department Patients:
An Optimized Explanatory Machine Learning Framework
- Title（参考訳）: 完全救急治療前における左下肢の検討 : 最適化された説明型機械学習フレームワーク
- Authors: Abdulaziz Ahmed, Khalid Y.Aram, Salih Tutun
- Abstract要約: 本報告では,救急部門における治療完了前の左の要因について検討する枠組みを提案する。
このフレームワークは機械学習、メタヒューリスティック最適化、モデル解釈技術を統合している。
ED治療中の患者に対するLBTC結果の予測に最適化されたXGBモデルを用いる。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The issue of left before treatment complete (LBTC) patients is common in
emergency departments (EDs). This issue represents a medico-legal risk and may
cause a revenue loss. Thus, understanding the factors that cause patients to
leave before treatment is complete is vital to mitigate and potentially
eliminate these adverse effects. This paper proposes a framework for studying
the factors that affect LBTC outcomes in EDs. The framework integrates machine
learning, metaheuristic optimization, and model interpretation techniques.
Metaheuristic optimization is used for hyperparameter optimization--one of the
main challenges of machine learning model development. Three metaheuristic
optimization algorithms are employed for optimizing the parameters of extreme
gradient boosting (XGB), which are simulated annealing (SA), adaptive simulated
annealing (ASA), and adaptive tabu simulated annealing (ATSA). The optimized
XGB models are used to predict the LBTC outcomes for the patients under
treatment in ED. The designed algorithms are trained and tested using four data
groups resulting from the feature selection phase. The model with the best
predictive performance is interpreted using SHaply Additive exPlanations (SHAP)
method. The findings show that ATSA-XGB outperformed other mode configurations
with an accuracy, area under the curve (AUC), sensitivity, specificity, and
F1-score of 86.61%, 87.50%, 85.71%, 87.51%, and 86.60%, respectively. The
degree and the direction of effects of each feature were determined and
explained using the SHAP method.
- Abstract（参考訳）: left before treatment complete (lbtc) の問題は救急部門 (eds) で一般的である。
この問題はメディコ法定リスクであり、収益損失を引き起こす可能性がある。
したがって、治療が完了する前に患者を退院させる要因を理解することは、これらの副作用を緩和し、排除する上で不可欠である。
本稿では,EDにおけるLBTC結果に影響を与える要因について検討する枠組みを提案する。
このフレームワークは機械学習、メタヒューリスティック最適化、モデル解釈技術を統合する。
メタヒューリスティック最適化(metaheuristic optimization)は、ハイパーパラメータの最適化に使用される。
3つのメタヒューリスティック最適化アルゴリズムを用いて, 過度勾配促進 (XGB) のパラメータを最適化し, シミュレーションアニール (SA) , アダプティブシミュレートアニール (ASA) , 適応タブーシミュレートアニール (ATSA) のパラメータを最適化する。
ED治療中の患者に対するLBTC結果の予測に最適化されたXGBモデルを用いる。
設計されたアルゴリズムは、4つのデータグループを使って訓練され、テストされる。
最高の予測性能を持つモデルは、SHAP(SHaply Additive exPlanations)法を用いて解釈される。
その結果、atsa-xgbは、auc、感度、特異性、f1-scoreが86.61%、87.50%、85.71%、857.51%、86.60%の精度で他のモード構成よりも優れていた。
shap法を用いて各特徴の効果の程度と方向を決定・説明した。
関連論文リスト
- Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。
TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。
我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
論文 参考訳（メタデータ） (2024-08-02T09:44:18Z) - Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。
本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
論文 参考訳（メタデータ） (2024-07-19T19:07:53Z) - An Adaptive Simulated Annealing-Based Machine Learning Approach for
Developing an E-Triage Tool for Hospital Emergency Operations [3.7851234061033847]
救急部門(EDs)の患者トリアージは、重篤で時間に敏感な患者のケアを優先するために必要である。
本稿では,機械学習を利用してEDで使用可能なe-triageツールを開発するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-22T17:25:12Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - Auto-FedRL: Federated Hyperparameter Optimization for
Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。
本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。
提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文 参考訳（メタデータ） (2022-03-12T04:11:42Z) - An Integrated Optimization and Machine Learning Models to Predict the
Admission Status of Emergency Patients [1.0323063834827415]
T-XGB、T-ADAB、T-MLPの3つの機械学習アルゴリズムが提案されている。
提案フレームワークは,患者搭乗プロセスを積極的に計画することにより,混雑を緩和することができる。
その結果,新たに提案したアルゴリズムはAUCが高く,従来のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2022-02-18T13:50:44Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳（メタデータ） (2021-11-01T09:17:15Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳（メタデータ） (2021-05-16T12:38:35Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-06T13:03:42Z)
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。