論文の概要: An Adaptive Simulated Annealing-Based Machine Learning Approach for
Developing an E-Triage Tool for Hospital Emergency Operations
- arxiv url: http://arxiv.org/abs/2212.11892v1
- Date: Thu, 22 Dec 2022 17:25:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:35:42.511894
- Title: An Adaptive Simulated Annealing-Based Machine Learning Approach for
Developing an E-Triage Tool for Hospital Emergency Operations
- Title(参考訳): 病院緊急手術用E-Triageツール開発のための適応型アニーリング型機械学習手法
- Authors: Abdulaziz Ahmed, Mohammed Al-Maamari, Mohammad Firouz, Dursun Delen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.7851234061033847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Patient triage at emergency departments (EDs) is necessary to prioritize care
for patients with critical and time-sensitive conditions. Different tools are
used for patient triage and one of the most common ones is the emergency
severity index (ESI), which has a scale of five levels, where level 1 is the
most urgent and level 5 is the least urgent. This paper proposes a framework
for utilizing machine learning to develop an e-triage tool that can be used at
EDs. A large retrospective dataset of ED patient visits is obtained from the
electronic health record of a healthcare provider in the Midwest of the US for
three years. However, the main challenge of using machine learning algorithms
is that most of them have many parameters and without optimizing these
parameters, developing a high-performance model is not possible. This paper
proposes an approach to optimize the hyperparameters of machine learning. The
metaheuristic optimization algorithms simulated annealing (SA) and adaptive
simulated annealing (ASA) are proposed to optimize the parameters of extreme
gradient boosting (XGB) and categorical boosting (CaB). The newly proposed
algorithms are SA-XGB, ASA-XGB, SA-CaB, ASA-CaB. Grid search (GS), which is a
traditional approach used for machine learning fine-tunning is also used to
fine-tune the parameters of XGB and CaB, which are named GS-XGB and GS-CaB. The
six algorithms are trained and tested using eight data groups obtained from the
feature selection phase. The results show ASA-CaB outperformed all the proposed
algorithms with accuracy, precision, recall, and f1 of 83.3%, 83.2%, 83.3%,
83.2%, respectively.
- Abstract(参考訳): 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。
患者トリアージにはさまざまなツールが使用されており、最も一般的なツールの1つは、レベル1が最も緊急でレベル5が最も緊急である5段階の緊急度指数(esi)である。
本稿では,機械学習を利用してEDで使用できる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。
米国中西部の医療提供者の電子健康記録から, ED患者訪問の大規模な振り返りデータセットを3年間取得した。
しかし、機械学習アルゴリズムを使用する主な課題は、そのほとんどは多くのパラメータを持ち、これらのパラメータを最適化せずに高性能なモデルを開発することは不可能である。
本稿では,機械学習のハイパーパラメータを最適化する手法を提案する。
過度勾配促進 (XGB) およびカテゴリー勾配促進 (CaB) のパラメータを最適化するために, メタヒューリスティック最適化アルゴリズム (SA) と適応型アニール (ASA) を提案する。
新たに提案されたアルゴリズムは、SA-XGB、ASA-XGB、SA-CaB、ASA-CaBである。
格子探索(GS)は、機械学習の微調整に使われる従来の手法であり、GS-XGB と GS-CaB と呼ばれる XGB と CaB のパラメータを微調整するためにも用いられる。
6つのアルゴリズムは、特徴選択フェーズから得られた8つのデータグループを使って訓練され、テストされる。
その結果、ASA-CaBは、それぞれ83.3%、83.3%、83.2%、83.2%の精度、精度、リコール、f1で提案された全てのアルゴリズムより優れていた。
関連論文リスト
- Value-Based Deep RL Scales Predictably [100.21834069400023]
本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。
SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
論文 参考訳(メタデータ) (2025-02-06T18:59:47Z) - A Study of Left Before Treatment Complete Emergency Department Patients:
An Optimized Explanatory Machine Learning Framework [1.933681537640272]
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。
論文 参考訳(メタデータ) (2022-12-22T17:14:10Z) - 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) - 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) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier,
Autoencoders and Fuzzy Entropies [9.861415775909663]
脳波信号はてんかん発作の検出に広く用いられている。
本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
論文 参考訳(メタデータ) (2021-09-06T11:02:25Z) - Efficient Hyperparameter Optimization for Differentially Private Deep
Learning [1.7205106391379026]
望ましいプライバシーとユーティリティのトレードオフを確立するための一般的な最適化フレームワークを定式化します。
提案手法では,進化的,ベイズ的,強化学習の3つの費用対効果アルゴリズムについて検討する。
私たちの研究がプライベートなディープラーニングのパイプラインで活用できると信じているので、コードをhttps://github.com/AmanPriyanshu/DP-HyperparamTuning.comに公開しています。
論文 参考訳(メタデータ) (2021-08-09T09:18:22Z) - 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) - A Study of Genetic Algorithms for Hyperparameter Optimization of Neural
Networks in Machine Translation [0.0]
遺伝的アルゴリズムを用いて,ダーウィンのファイトテスト理論の生存をモデルとした自動チューニング手法を提案する。
研究結果は,提案手法であるGAがハイパーパラメータのランダムな選択よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-09-15T02:24:16Z) - ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。
ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
論文 参考訳(メタデータ) (2020-06-01T05:00:51Z)
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。