論文の概要: Screening of Pneumonia and Urinary Tract Infection at Triage using TriNet

• arxiv url: http://arxiv.org/abs/2309.02604v1
• Date: Tue, 5 Sep 2023 22:25:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 17:27:27.931276
• Title: Screening of Pneumonia and Urinary Tract Infection at Triage using TriNet
• Title（参考訳）: TriNetを用いたトリアージにおける肺炎および尿路感染症のスクリーニング
• Authors: Stephen Z. Lu
• Abstract要約: 人口の着実に増加し、長寿のため、北米全域で救急部門訪問が増えている。 従来の臨床は過負荷で非効率になり、待ち時間が長くなり、医療の質が低下する。 医用ディレクティブのための機械学習モデルであるTriNetを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the steady rise in population demographics and longevity, emergency department visits are increasing across North America. As more patients visit the emergency department, traditional clinical workflows become overloaded and inefficient, leading to prolonged wait-times and reduced healthcare quality. One of such workflows is the triage medical directive, impeded by limited human workload, inaccurate diagnoses and invasive over-testing. To address this issue, we propose TriNet: a machine learning model for medical directives that automates first-line screening at triage for conditions requiring downstream testing for diagnosis confirmation. To verify screening potential, TriNet was trained on hospital triage data and achieved high positive predictive values in detecting pneumonia (0.86) and urinary tract infection (0.93). These models outperform current clinical benchmarks, indicating that machine-learning medical directives can offer cost-free, non-invasive screening with high specificity for common conditions, reducing the risk of over-testing while increasing emergency department efficiency.
• Abstract（参考訳）: 人口の安定した増加と長寿のため、北米では救急部門への訪問が増えている。 より多くの患者が救急部門を訪れると、従来の臨床ワークフローは過負荷で非効率になり、待ち時間が長くなり、医療の質が低下する。 このようなワークフローの1つは、ヒトの労働負荷の制限、不正確な診断、侵襲的な過度な検査によって妨げられるトリアージ医療指令である。 この問題を解決するために、診断確認のために下流テストを必要とする条件に対して、トリアージでのファーストラインスクリーニングを自動化する医療ディレクティブのための機械学習モデルであるTriNetを提案する。 スクリーニングの可能性を検証するため,TriNetは病院トリアージデータを用いてトレーニングを行い,肺炎(0.86例)および尿路感染症(0.93)の検出において高い正の予測値を得た。 これらのモデルは、現在の臨床ベンチマークを上回っており、機械学習医療指令は、共通の状況に対して高い特異性を持つコストフリーで非侵襲的なスクリーニングを提供し、緊急部門の効率を高めながら過剰な検査のリスクを低減できることを示している。

関連論文リスト

• TBBC: Predict True Bacteraemia in Blood Cultures via Deep Learning [0.0]
  バクテリア血症(Bacteraemia)は、高い死亡率と死亡率を持つ血流感染症であり、重要な診断上の課題である。 この論文は、細菌性貧血を予測するための最適な機械学習技術を特定し、セント・アントニウス病院の救急部門のデータを用いて予測モデルを開発することを目的としている。
  論文  参考訳（メタデータ） (2024-10-25T05:25:01Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• Forecasting Patient Demand at Urgent Care Clinics using Machine Learning [0.0]
  本研究は,ニュージーランドのオークランドにある2つの大規模救急医療施設において,患者の正確なプレゼンテーションを機械学習で作成する能力について検討した。 この問題領域の最も効果的なテクニックを決定するために, 日常的な患者需要予測を3ヶ月前に行うために, 機械学習アルゴリズムを多数検討した。 その結果, アンサンブルをベースとした手法は, 最も正確で一貫したソリューションを平均で提供し, 既存手法に比べて23%-27%の改善を実現し, 日々の需要を推定した。
  論文  参考訳（メタデータ） (2022-05-25T22:27:49Z)
• Multimodal spatiotemporal graph neural networks for improved prediction of 30-day all-cause hospital readmission [4.609543591101764]
  本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。 MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。 心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-04-14T05:50:07Z)
• 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)
• COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
  我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。 実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。 リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
  論文  参考訳（メタデータ） (2021-08-05T16:47:33Z)
• Predicting Clinical Deterioration in Hospitals [0.8329456268842225]
  電子カルテに機械学習を適用し,患者が臨床劣化のリスクがあるかどうかを推定する。 成功すれば、病院は我々のアプローチを既存のITシステムに統合し、モデルによって生成されたアラートを使用して、ICU転送、心停止、または死を防ぐことができる。
  論文  参考訳（メタデータ） (2021-02-11T06:03:36Z)
• An artificial intelligence system for predicting the deterioration of COVID-19 patients in the emergency department [28.050958444802944]
  新型コロナウイルス感染症(COVID-19)のパンデミックでは、救急署の患者を迅速かつ正確にトリアージすることが重要である。 胸部X線画像から学習したディープニューラルネットワークを用いて,データ駆動による劣化リスクの自動予測手法を提案する。 我々は3,661人の患者から得られたデータを用いて,96時間以内の劣化を予測した場合に,受信者の動作特性曲線(AUC)が0.786未満の領域を達成した。
  論文  参考訳（メタデータ） (2020-08-04T19:20:31Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• 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)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

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。