論文の概要: Assessing the impact of emergency department short stay units using length-of-stay prediction and discrete event simulation

• arxiv url: http://arxiv.org/abs/2308.02730v1
• Date: Fri, 4 Aug 2023 22:26:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 19:09:40.791573
• Title: Assessing the impact of emergency department short stay units using length-of-stay prediction and discrete event simulation
• Title（参考訳）: 所要時間予測と離散事象シミュレーションを用いた救急部門短期滞在単位の影響評価
• Authors: Mucahit Cevik, Can Kavaklioglu, Fahad Razak, Amol Verma, Ayse Basar
• Abstract要約: 救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。 我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
• 参考スコア（独自算出の注目度）: 1.0822676139724565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting hospital length-of-stay at the time a patient is admitted to hospital may help guide clinical decision making and resource allocation. In this study we aim to build a decision support system that predicts hospital length-of-stay for patients admitted to general internal medicine from the emergency department. We conduct an exploratory data analysis and employ feature selection methods to identify the attributes that result in the best predictive performance. We also develop a discrete-event simulation model to assess the performances of the prediction models in a practical setting. Our results show that the recommendation performances of the proposed approaches are generally acceptable and do not benefit from the feature selection. Further, the results indicate that hospital length-of-stay could be predicted with reasonable accuracy (e.g., AUC value for classifying short and long stay patients is 0.69) using patient admission demographics, laboratory test results, diagnostic imaging, vital signs and clinical documentation.
• Abstract（参考訳）: 入院時の入院期間を正確に予測することは,臨床意思決定や資源配分の指導に役立つ可能性がある。 本研究の目的は,救急外来で一般内科を受診した患者の入院期間を予測する意思決定支援システムの構築である。 我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。 また,予測モデルの性能を現実的に評価するための離散イベントシミュレーションモデルを開発した。 その結果,提案手法の推奨性能は一般に受け入れられ,特徴選択の恩恵を受けないことがわかった。 さらに, 入院患者数, 臨床検査結果, 診断画像, バイタルサイン, 臨床文書を用いて, 入院期間を合理的に予測できることが示唆された。

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)
• Hospitalization Length of Stay Prediction using Patient Event Sequences [4.204781617630707]
  本稿では,患者情報をイベントのシーケンスとしてモデル化し,入院期間(LOS)を予測するための新しいアプローチを提案する。 本稿では,患者の医療イベントシーケンスを記述したユニークな特徴を用いたLOS予測のためのトランスフォーマーベースモデルMedic-BERT(M-BERT)を提案する。 実験結果から,M-BERTは様々なLOS問題に対して高い精度を達成でき,従来の非シーケンスベース機械学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-20T11:48:36Z)
• Machine Learning Techniques for Predicting the Short-Term Outcome of Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
  7つのディフフェレント分類アルゴリズムを用いてデータを解析した。 線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
  論文  参考訳（メタデータ） (2023-02-10T13:04:47Z)
• 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)
• 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)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• 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。