Fugu-MT 論文翻訳(概要): Forecasting Emergency Department Crowding with Advanced Machine Learning Models and Multivariable Input

論文の概要: Forecasting Emergency Department Crowding with Advanced Machine Learning Models and Multivariable Input

arxiv url: http://arxiv.org/abs/2308.16544v1
Date: Thu, 31 Aug 2023 08:34:20 GMT
ステータス: 処理完了
システム内更新日: 2023-09-01 15:14:04.960652
Title: Forecasting Emergency Department Crowding with Advanced Machine Learning Models and Multivariable Input
Title（参考訳）: 高度な機械学習モデルと多変量入力を用いた緊急部門群集予測
Authors: Jalmari Tuominen, Eetu Pulkkinen, Jaakko Peltonen, Juho Kanniainen, Niku Oksala, Ari Palom\"aki, Antti Roine
Abstract要約: 救急部門(ED)の混雑は患者の安全にとって重大な脅威であり、死亡率の上昇と繰り返し関連付けられている。 1)高度な機械学習モデル(ML)の急激な流入により予測モデルが時代遅れになったこと,2)多変量入力データが制限されたこと,3)個別のパフォーマンス指標が報告されることは稀である。我々は、N-BEATSとLightGBMがそれぞれ11%と9%の改善率でベンチマークを上回り、DeepARは翌日のAUCが0.76(95 % CI 0.69-0.84)になると予測していることを示す。
参考スコア（独自算出の注目度）: 8.294560133196807
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Emergency department (ED) crowding is a significant threat to patient safety and it has been repeatedly associated with increased mortality. Forecasting future service demand has the potential patient outcomes. Despite active research on the subject, several gaps remain: 1) proposed forecasting models have become outdated due to quick influx of advanced machine learning models (ML), 2) amount of multivariable input data has been limited and 3) discrete performance metrics have been rarely reported. In this study, we document the performance of a set of advanced ML models in forecasting ED occupancy 24 hours ahead. We use electronic health record data from a large, combined ED with an extensive set of explanatory variables, including the availability of beds in catchment area hospitals, traffic data from local observation stations, weather variables, etc. We show that N-BEATS and LightGBM outpeform benchmarks with 11 % and 9 % respective improvements and that DeepAR predicts next day crowding with an AUC of 0.76 (95 % CI 0.69-0.84). To the best of our knowledge, this is the first study to document the superiority of LightGBM and N-BEATS over statistical benchmarks in the context of ED forecasting.
Abstract（参考訳）: 救急部門(ED)の混雑は患者の安全にとって重大な脅威であり、死亡率の増加と繰り返し関連付けられている。将来のサービス需要の予測は、潜在的に患者の結果をもたらす。研究の活発さにもかかわらず、いくつかのギャップが残っている。 1)先進的機械学習モデル(ml)の急速な流入により,提案予測モデルが時代遅れとなった。 2)多変量入力データの量は制限されており、 3) 離散的なパフォーマンス指標が報告されることは稀である。本研究では,先進的なMLモデルを用いて,約24時間前におけるED占有率の予測を行う。我々は,大規模なEDと広範な説明変数を組み合わせた電子健康記録データを用いて,捕獲地域病院におけるベッドの利用状況,局地観測所からの交通データ,気象変数などについて検討した。 N-BEATSとLightGBMは、それぞれ11%と9パーセントの改善でベンチマークを上回り、DeepARは翌日のAUCが0.76(95 % CI 0.69-0.84)になると予測している。我々の知る限りでは、ED予測の文脈における統計ベンチマークよりもLightGBMとN-BEATSの優位性を示す最初の研究である。

関連論文リスト

Effective Predictive Modeling for Emergency Department Visits and Evaluating Exogenous Variables Impact: Using Explainable Meta-learning Gradient Boosting [0.18846515534317265]
本稿では,毎日のED訪問を正確に予測するためのメタラーニンググラディエント・ブースター(Meta-ED)手法を提案する。提案したMeta-EDは,4つの基礎学習者からなる。Catboost,Random Forest,Extra Tree,LightGBoostは信頼性の高いトップレベルの学習者,Multi-Layer Perceptron(MLP)である。そこで本研究では,メタEDモデルの有効性を,23モデルを含む広範囲な比較分析により評価した。
論文参考訳（メタデータ） (2024-11-18T04:23:20Z)
Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。深層学習は、医療を含む様々な応用においてその優位性を示している。
論文参考訳（メタデータ） (2024-02-02T00:31:01Z)
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)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time Series Forecasting [13.458489651961106]
本研究では,高周波医療と電力価格データを用いた長期エネルギー価格の予測手法を開発した。我々は,最先端モデルの予測精度を5%向上し,NBEATSのパラメータ数を約70%削減した。
論文参考訳（メタデータ） (2021-06-07T22:36:38Z)
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)
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)
Forecasting COVID-19 daily cases using phone call data [0.0]
本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
論文参考訳（メタデータ） (2020-10-05T18:07:07Z)
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)
PECAIQR: A Model for Infectious Disease Applied to the Covid-19 Epidemic [0.0]
将来の日常的な死のアート予測の現在の状態は、許容できないほど広い信頼区間を持っている。我々は、毎日の死亡と人口統計に関する米国の郡レベルのデータを使って、将来の死亡を予測した。過去には, 様々な1ヶ月の窓に長期の地平線を予測し, 郡で必要となる医療資源数を予測し, 他国でのモデルの有効性を評価する。
論文参考訳（メタデータ） (2020-06-17T17:59:55Z)

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。