論文の概要: A novel Network Science Algorithm for Improving Triage of Patients
- arxiv url: http://arxiv.org/abs/2310.05996v1
- Date: Mon, 9 Oct 2023 08:47:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 04:19:01.134588
- Title: A novel Network Science Algorithm for Improving Triage of Patients
- Title(参考訳): 患者のトリアージ改善のための新しいネットワーク科学アルゴリズム
- Authors: Pietro Hiram Guzzi, Annamaria De Filippo, Pierangelo Veltri
- Abstract要約: 患者トリアージは、患者の状態の緊急性に基づいて、タイムリーかつ適切なケアを確保するために、医療において重要な役割を果たす。
近年の関心は、人工知能(AI)を活用して、トリアージ患者のためのアルゴリズムを開発することである。
本稿では, 患者データを分析し, プライオリティ化に関する決定を導出する新アルゴリズムの開発について述べる。
- 参考スコア(独自算出の注目度): 2.209921757303168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Patient triage plays a crucial role in healthcare, ensuring timely and
appropriate care based on the urgency of patient conditions. Traditional triage
methods heavily rely on human judgment, which can be subjective and prone to
errors. Recently, a growing interest has been in leveraging artificial
intelligence (AI) to develop algorithms for triaging patients. This paper
presents the development of a novel algorithm for triaging patients. It is
based on the analysis of patient data to produce decisions regarding their
prioritization. The algorithm was trained on a comprehensive data set
containing relevant patient information, such as vital signs, symptoms, and
medical history. The algorithm was designed to accurately classify patients
into triage categories through rigorous preprocessing and feature engineering.
Experimental results demonstrate that our algorithm achieved high accuracy and
performance, outperforming traditional triage methods. By incorporating
computer science into the triage process, healthcare professionals can benefit
from improved efficiency, accuracy, and consistency, prioritizing patients
effectively and optimizing resource allocation. Although further research is
needed to address challenges such as biases in training data and model
interpretability, the development of AI-based algorithms for triaging patients
shows great promise in enhancing healthcare delivery and patient outcomes.
- Abstract(参考訳): 患者トリアージは、患者の状態の緊急性に基づいて、タイムリーかつ適切なケアを確保するために、医療において重要な役割を果たす。
伝統的なトリアージ法は、主観的かつ誤りやすい人間の判断に大きく依存している。
近年、人工知能(AI)を活用して、トリアージ患者のためのアルゴリズムを開発することへの関心が高まっている。
本稿では,トリアージ患者のための新しいアルゴリズムの開発について述べる。
患者データの分析に基づいて、優先順位付けに関する意思決定を行う。
このアルゴリズムは、バイタルサイン、症状、医療歴などの関連する患者情報を含む包括的なデータセットで訓練された。
このアルゴリズムは、厳格な前処理と特徴工学により、患者をトリアージカテゴリーに正確に分類するように設計されている。
実験の結果,提案アルゴリズムは従来のトリアージ法よりも高い精度と性能を示した。
コンピュータ科学をトリアージプロセスに組み込むことで、医療専門家は効率、正確性、一貫性を改善し、患者を効果的に優先順位付けし、リソース割り当てを最適化することができる。
トレーニングデータのバイアスやモデル解釈可能性といった課題に対処するには、さらなる研究が必要であるが、トリアージのためのaiベースのアルゴリズムの開発は、医療提供と患者の成果向上に大きな期待を示している。
関連論文リスト
- Leveraging graph neural networks for supporting Automatic Triage of
Patients [5.864579168378686]
本稿では,救急部門における緊急コード割り当てを管理するためのAIベースのモジュールを提案する。
バイタルサイン、症状、医療史などの関連する患者情報を含むデータは、患者をトリアージカテゴリーに正確に分類するために使用される。
論文 参考訳(メタデータ) (2024-03-11T09:54:35Z) - README: Bridging Medical Jargon and Lay Understanding for Patient
Education through Data-Centric NLP [9.746045026596638]
医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。
私たちはまず、2万以上のユニークな医療用語と30万件の言及からなるデータセットを作成しました。
また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
論文 参考訳(メタデータ) (2023-12-24T23:01:00Z) - Dataset Optimization for Chronic Disease Prediction with Bio-Inspired
Feature Selection [0.32634122554913997]
本研究は慢性疾患領域における予測分析の進歩に寄与する。
この研究の潜在的影響は、早期介入、精密医療、そして患者の成果の改善にまで及んでいる。
論文 参考訳(メタデータ) (2023-12-17T18:18:34Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳(メタデータ) (2023-10-28T12:08:03Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - An Integrated Optimization and Machine Learning Models to Predict the
Admission Status of Emergency Patients [1.0323063834827415]
T-XGB、T-ADAB、T-MLPの3つの機械学習アルゴリズムが提案されている。
提案フレームワークは,患者搭乗プロセスを積極的に計画することにより,混雑を緩和することができる。
その結果,新たに提案したアルゴリズムはAUCが高く,従来のアルゴリズムよりも優れていた。
論文 参考訳(メタデータ) (2022-02-18T13:50:44Z) - 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) - Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。
医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。
近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
論文 参考訳(メタデータ) (2021-08-30T18:14:27Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳(メタデータ) (2021-06-08T10:38:09Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳(メタデータ) (2021-05-16T12:38:35Z) - 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)
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。