論文の概要: ED-Copilot: Reduce Emergency Department Wait Time with Language Model Diagnostic Assistance
- arxiv url: http://arxiv.org/abs/2402.13448v2
- Date: Mon, 27 May 2024 22:30:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 01:18:48.202098
- Title: ED-Copilot: Reduce Emergency Department Wait Time with Language Model Diagnostic Assistance
- Title（参考訳）: ED-Copilot:言語モデル診断支援による救急部門待ち時間削減
- Authors: Liwen Sun, Abhineet Agarwal, Aaron Kornblith, Bin Yu, Chenyan Xiong,
- Abstract要約: 救急部(ED)では、診断前にトリアージと複数回の検査を行った。
この時間のかかるプロセスは、患者の死亡率、医療ミス、スタッフの燃え尽きなどを引き起こす。
本研究は,人工知能システムを活用した費用対効果診断支援を提案する。
- 参考スコア（独自算出の注目度）: 19.740597797776093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the emergency department (ED), patients undergo triage and multiple laboratory tests before diagnosis. This time-consuming process causes ED crowding which impacts patient mortality, medical errors, staff burnout, etc. This work proposes (time) cost-effective diagnostic assistance that leverages artificial intelligence systems to help ED clinicians make efficient and accurate diagnoses. In collaboration with ED clinicians, we use public patient data to curate MIMIC-ED-Assist, a benchmark for AI systems to suggest laboratory tests that minimize wait time while accurately predicting critical outcomes such as death. With MIMIC-ED-Assist, we develop ED-Copilot which sequentially suggests patient-specific laboratory tests and makes diagnostic predictions. ED-Copilot employs a pre-trained bio-medical language model to encode patient information and uses reinforcement learning to minimize ED wait time and maximize prediction accuracy. On MIMIC-ED-Assist, ED-Copilot improves prediction accuracy over baselines while halving average wait time from four hours to two hours. ED-Copilot can also effectively personalize treatment recommendations based on patient severity, further highlighting its potential as a diagnostic assistant. Since MIMIC-ED-Assist is a retrospective benchmark, ED-Copilot is restricted to recommend only observed tests. We show ED-Copilot achieves competitive performance without this restriction as the maximum allowed time increases. Our code is available at https://github.com/cxcscmu/ED-Copilot.
- Abstract（参考訳）: 救急部(ED)では、診断前にトリアージと複数回の検査を行った。
この時間のかかるプロセスは、患者の死亡率、医療ミス、スタッフの燃え尽きなどに影響を与えるEDの混雑を引き起こす。
この研究は、人工知能システムを活用して、ED臨床医が効率的かつ正確な診断を行うのを助ける(時間的)コスト効率の診断支援を提案する。
ED臨床医と共同で、AIシステムのベンチマークであるMIMIC-ED-Assist(MIMIC-ED-Assist)を解析し、待ち時間を最小化し、死亡などの致命的な結果を正確に予測する実験室テストを提案する。
MIMIC-ED-Assistを用いて,患者固有の検査を逐次提案し,診断予測を行うED-Copilotを開発した。
ED-Copilotは、事前訓練されたバイオメディカル言語モデルを用いて患者情報を符号化し、強化学習を用いてED待ち時間を最小化し、予測精度を最大化する。
MIMIC-ED-Assistでは、ED-Copilotは平均待ち時間を4時間から2時間に半減しながらベースラインの予測精度を向上させる。
ED-Copilotはまた、患者の重症度に基づいて治療勧告を効果的にパーソナライズし、診断アシスタントとしての可能性を強調している。
MIMIC-ED-Assistは振り返りベンチマークであるため、ED-Copilotは観察されたテストのみを推奨するように制限されている。
ED-Copilotは最大許容時間が増加するにつれて,この制限なしに競争性能を達成することを示す。
私たちのコードはhttps://github.com/cxcscmu/ED-Copilot.comから入手可能です。
関連論文リスト
- Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - 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) - Benchmarking Predictive Risk Models for Emergency Departments with Large
Public Electronic Health Records [7.928862476020428]
大規模な公開 EHR に基づく広く受け入れられている ED ベンチマークは存在しない。
我々は、パブリックEDベンチマークスイートを提案し、2011年から2019年までの50万回のED訪問を含むベンチマークデータセットを得た。
私たちのコードはオープンソースなので、MIMIC-IV-EDにアクセス可能な人は、データ処理の同じステップを辿り、ベンチマークを構築し、実験を再現できます。
論文 参考訳（メタデータ） (2021-11-22T06:51:11Z) - Understanding Heart-Failure Patients EHR Clinical Features via SHAP
Interpretation of Tree-Based Machine Learning Model Predictions [8.444557621643568]
心不全(Heart failure, HF)は、死因の一つ。
機械学習モデル、具体的にはXGBoostモデルがEHRに基づいて患者ステージを正確に予測できるかどうかを検討した。
以上の結果から,EHRの構造化データに基づいて,患者の退院率(EF)を適度な精度で予測できることが示唆された。
論文 参考訳（メタデータ） (2021-03-20T22:17:05Z) - 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) - Emergency Department Optimization and Load Prediction in Hospitals [9.90154803957148]
我々は、ED到着とED患者の容積を予測するための機械学習モデルを用いたツールを開発した。
本稿では,本ツールを用いたアクティブな臨床展開におけるユーザ体験から得られた予測モデル,課題,および学習結果について論じる。
論文 参考訳（メタデータ） (2021-02-06T21:52:51Z) - Modeling patient flow in the emergency department using machine learning
and simulation [0.0]
本稿では,緊急部(ED)内の患者フローを改善するため,シミュレーションにおける機械学習(ML)の新たな応用について述べる。
実際のEDシミュレーションモデル内で使用したMLモデルを用いて、患者をEDから遠ざけることが滞在時間(LOS)と退院時間(DTDT)に及ぼす影響を定量化する
使用済みのポリシーと特定のEDリソースを追加することで、それぞれ LOS と DTDT の 9.39% と 8.18% の削減が達成される。
論文 参考訳（メタデータ） (2020-11-22T17:42:53Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - 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) - CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic
for Interpretable Prognosis [20.701122594508675]
新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。
CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。
実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
論文 参考訳（メタデータ） (2020-07-17T09:20:56Z) - 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。