論文の概要: Patient Outcome Predictions Improve Operations at a Large Hospital
Network
- arxiv url: http://arxiv.org/abs/2305.15629v1
- Date: Thu, 25 May 2023 00:49:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 18:14:10.217282
- Title: Patient Outcome Predictions Improve Operations at a Large Hospital
Network
- Title（参考訳）: 大規模病院ネットワークにおける患者のアウトカム予測
- Authors: Liangyuan Na, Kimberly Villalobos Carballo, Jean Pauphilet, Ali
Haddad-Sisakht, Daniel Kombert, Melissa Boisjoli-Langlois, Andrew
Castiglione, Maram Khalifa, Pooja Hebbal, Barry Stein, Dimitris Bertsimas
- Abstract要約: 米国の大手病院ネットワークは、すべての入院患者の短期的および長期的成果を予測するため、学者やコンサルタントと協力している。
我々は,次の24時間/48時間放電の可能性を予測し,集中治療単位転送,終末期死亡,退院処分の確率を予測する機械学習モデルを開発した。
私たちは、毎朝データを抽出して予測を更新する自動パイプラインと、ユーザフレンドリなソフトウェアと、これらの患者レベルの予測を伝えるためのカラーコードアラートシステムを実装しています。
- 参考スコア（独自算出の注目度）: 1.9399350450208843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Problem definition: Access to accurate predictions of patients' outcomes can
enhance medical staff's decision-making, which ultimately benefits all
stakeholders in the hospitals. A large hospital network in the US has been
collaborating with academics and consultants to predict short-term and
long-term outcomes for all inpatients across their seven hospitals.
Methodology/results: We develop machine learning models that predict the
probabilities of next 24-hr/48-hr discharge and intensive care unit transfers,
end-of-stay mortality and discharge dispositions. All models achieve high
out-of-sample AUC (75.7%-92.5%) and are well calibrated. In addition, combining
48-hr discharge predictions with doctors' predictions simultaneously enables
more patient discharges (10%-28.7%) and fewer 7-day/30-day readmissions
($p$-value $<0.001$). We implement an automated pipeline that extracts data and
updates predictions every morning, as well as user-friendly software and a
color-coded alert system to communicate these patient-level predictions
(alongside explanations) to clinical teams. Managerial implications: Since we
have been gradually deploying the tool, and training medical staff, over 200
doctors, nurses, and case managers across seven hospitals use it in their daily
patient review process. We observe a significant reduction in the average
length of stay (0.67 days per patient) following its adoption and anticipate
substantial financial benefits (between \$55 and \$72 million annually) for the
healthcare system.
- Abstract（参考訳）: 問題定義: 患者の成果の正確な予測へのアクセスは、医療スタッフの意思決定を増強し、最終的に病院のすべての利害関係者に利益をもたらす。
米国の大手病院ネットワークは、7つの病院にまたがる全ての入院患者の短期的および長期的成果を予測するため、学者やコンサルタントと協力している。
方法: 次の24-hr/48-hrの退院確率,集中治療単位転送,終末期死亡率,退院傾向を予測する機械学習モデルを開発する。
全てのモデルは75.7%-92.5%の高出力AUCを達成し、校正されている。
さらに、48時間放電予測と医師の予測を組み合わせることで、より多くの患者の退院(10%-28.7%)と7日間/30日間の寛解(p$-value $<0.001$)を同時に行うことができる。
我々は,毎朝データ抽出と予測更新を行う自動パイプラインと,ユーザフレンドリーなソフトウェアとカラーコードによる警告システムを実装し,これらの患者レベルの予測を臨床チームに伝える。
管理的意味: 徐々にツールの展開と医療スタッフのトレーニングを行ってきたので、7つの病院で200人以上の医師、看護師、ケースマネージャが毎日の患者のレビュープロセスで使用しています。
導入後の平均滞在期間(患者1人当たり0.67日)の大幅な減少を観察し,医療システムに対する実質的な経済的利益(年間55～72万ドル)を予想した。
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) - A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis [3.5280004326441365]
PatWay-Netは、敗血症患者の集中治療室への入院の予測を解釈するために設計されたMLフレームワークである。
本稿では,新しいタイプのリカレントニューラルネットワークを提案し,それを多層パーセプトロンと組み合わせて患者経路を処理する。
我々は、患者の健康状態、予測結果、関連するリスクを視覚化する包括的ダッシュボードを通じて、その実用性を実証する。
論文 参考訳（メタデータ） (2024-05-21T20:31:42Z) - An Interpretable Deep-Learning Framework for Predicting Hospital
Readmissions From Electronic Health Records [2.156208381257605]
そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。
実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
論文 参考訳（メタデータ） (2023-10-16T08:48:52Z) - Dynamic Healthcare Embeddings for Improving Patient Care [0.0]
患者, 医師, 部屋, 薬品の動的埋め込みを学習するための, 異種共進化型動的ニューラルネットワークDECENTを提案する。
学習した患者埋め込みを予測モデルに用いた結果、DECENTは死亡リスク予測タスクで最大48.1%向上していることがわかった。
学習した医師、薬品、部屋の埋め込みに関するケーススタディは、我々のアプローチが有意義で解釈可能な埋め込みを学習していることを示している。
論文 参考訳（メタデータ） (2023-03-21T03:14:15Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - Optimal discharge of patients from intensive care via a data-driven
policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。
本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。
データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文 参考訳（メタデータ） (2021-12-17T04:39:33Z) - Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical
Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。
データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。
マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-04-14T11:58:54Z) - 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) - Forecasting Emergency Department Capacity Constraints for COVID
Isolation Beds [9.358404775024109]
小児病院の救急部門に新たに設置された新型コロナウイルス関連の容量制限は、時間単位の予測ツールの開発を促した。
当院の定位率の予測には,ポイント予測と分類精度の両面で高い性能が得られた。
私たちは現在、医療従事者の能力向上を目標に、ツールをリアルタイムな設定に移行する作業を行っています。
論文 参考訳（メタデータ） (2020-11-09T19:35:41Z) - 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) - A unified machine learning approach to time series forecasting applied
to demand at emergency departments [1.7119367122421556]
2019年にはイングランドの救急省(ED)に2560万人が出席しており、過去10年間で1200万人が出席した。
我々は,最高の演奏時系列と機械学習アプローチの結果を組み合わせた,新しいアンサンブル手法を開発した。
平均絶対誤差は, 平均絶対誤差が6.8%, 平均絶対誤差が8.6%であった。
論文 参考訳（メタデータ） (2020-07-13T07:59:24Z)
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。