論文の概要: Predicting Visit Cost of Obstructive Sleep Apnea using Electronic Healthcare Records with Transformer

• arxiv url: http://arxiv.org/abs/2301.12289v1
• Date: Sat, 28 Jan 2023 20:08:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 18:02:15.997907
• Title: Predicting Visit Cost of Obstructive Sleep Apnea using Electronic Healthcare Records with Transformer
• Title（参考訳）: 電子カルテとトランスフォーマーを用いた閉塞型睡眠時無呼吸症の来院コスト予測
• Authors: Zhaoyang Chen, Lina Siltala-Li, Mikko Lassila, Pekka Malo, Eeva Vilkkumaa, Tarja Saaresranta, Arho Veli Virkki
• Abstract要約: 肥満の増加に伴い、多くの国で閉塞性睡眠時無呼吸症(OSA)が増加傾向にある。 治療目的では,OSA患者の来院費の予測が重要である。 OSA患者のデータのうち3分の1は、分析モデルのトレーニングに利用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Obstructive sleep apnea (OSA) is growing increasingly prevalent in many countries as obesity rises. Sufficient, effective treatment of OSA entails high social and financial costs for healthcare. Objective: For treatment purposes, predicting OSA patients' visit expenses for the coming year is crucial. Reliable estimates enable healthcare decision-makers to perform careful fiscal management and budget well for effective distribution of resources to hospitals. The challenges created by scarcity of high-quality patient data are exacerbated by the fact that just a third of those data from OSA patients can be used to train analytics models: only OSA patients with more than 365 days of follow-up are relevant for predicting a year's expenditures. Methods and procedures: The authors propose a method applying two Transformer models, one for augmenting the input via data from shorter visit histories and the other predicting the costs by considering both the material thus enriched and cases with more than a year's follow-up. Results: The two-model solution permits putting the limited body of OSA patient data to productive use. Relative to a single-Transformer solution using only a third of the high-quality patient data, the solution with two models improved the prediction performance's $R^{2}$ from 88.8% to 97.5%. Even using baseline models with the model-augmented data improved the $R^{2}$ considerably, from 61.6% to 81.9%. Conclusion: The proposed method makes prediction with the most of the available high-quality data by carefully exploiting details, which are not directly relevant for answering the question of the next year's likely expenditure.
• Abstract（参考訳）: 背景:肥満の増加に伴い、多くの国で閉塞性睡眠時無呼吸症(OSA)が増加傾向にある。 OSAの十分かつ効果的な治療には、医療の社会的・経済的コストが高い。 目的: 治療目的では, OSA患者の来院費を予測することが重要である。 信頼度の高い見積もりは、医療意思決定者が病院への資源の効果的な分配のために注意深く財政管理と予算を適切に行うことを可能にする。 高品質な患者のデータの不足によって生じる課題は、osa患者から得られたデータのうち3分の1が分析モデルのトレーニングに使用できるという事実によって悪化している。 方法と手順:2つのトランスフォーマーモデルを適用する手法を提案する。1つは、短い訪問履歴からのデータによる入力を増大させる方法と、もう1つは、1年以上経過した材料とケースの両方を考慮してコストを予測する方法である。 結果: この2モデルソリューションは、OSA患者データの限られた本体を生産的に使用可能にする。 高品質な患者データの3分の1しか使用していないシングルトランスフォーマーのソリューションと比較して、2つのモデルによるソリューションは予測性能を88.8%から97.5%に改善した。 モデル拡張データを使用したベースラインモデルでも、61.6%から81.9%に大幅にR^{2}$が向上した。 結論: 提案手法は, 来年の支出可能性に関する質問に対して直接的関係のない細部を慎重に活用することにより, 利用可能な高品質データの大部分で予測を行う。

関連論文リスト

• Active Sensing of Knee Osteoarthritis Progression with Reinforcement Learning [2.8498944632323755]
  変形性関節症(OA)は最も一般的な筋骨格疾患であり、治療法がない。 Knee OA (KOA) は障害の最も高い原因の1つであり、世界社会には数十億ドルの費用がかかる。
  論文  参考訳（メタデータ） (2024-08-05T09:54:08Z)
• 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)
• 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)
• Data-Driven Allocation of Preventive Care With Application to Diabetes Mellitus Type II [34.29871115270994]
  リスクのある患者に対する予防的治療の費用対効果を決定するためのデータ駆動型意思決定モデルを開発した。 本研究は, 健康管理における意思決定を支援するとともに, 低コストで効果的な疾患予防を実現することを目的としている。
  論文  参考訳（メタデータ） (2023-08-14T06:29:09Z)
• Building predictive models of healthcare costs with open healthcare data [0.0]
  本稿では,機械学習技術を用いた予測モデル開発手法を提案する。 我々は2016年に230万件の患者データを分析した。 私たちは、患者の診断と人口統計からコストを予測するモデルを構築しました。
  論文  参考訳（メタデータ） (2023-04-05T02:12:58Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Deep learning for prediction of population health costs [0.0]
  我々は、健康保険請求記録から将来のコストを予測するディープニューラルネットワークを開発した。 深層ネットワークと隆起回帰モデルを用いて, ドイツの保険業者14万人を対象に, 全1年間の医療費の予測を行った。
  論文  参考訳（メタデータ） (2020-03-06T23:33:39Z)

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。