論文の概要: Leveraging graph neural networks for supporting Automatic Triage of
Patients
- arxiv url: http://arxiv.org/abs/2403.07038v1
- Date: Mon, 11 Mar 2024 09:54:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 00:01:26.016373
- Title: Leveraging graph neural networks for supporting Automatic Triage of
Patients
- Title(参考訳): 患者自動トリアージ支援のためのグラフニューラルネットワークの活用
- Authors: Annamaria Defilippo and Pierangelo Veltri and Pietro Lio' and Pietro
Hiram Guzzi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.864579168378686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Patient triage plays a crucial role in emergency departments, ensuring timely
and appropriate care based on correctly evaluating the emergency grade of
patient conditions.
Triage methods are generally performed by human operator based on her own
experience and information that are gathered from the patient management
process.
Thus, it is a process that can generate errors in emergency level
associations. Recently, Traditional triage methods heavily rely on human
decisions, which can be subjective and prone to errors.
Recently, a growing interest has been focused on leveraging artificial
intelligence (AI) to develop algorithms able to maximize information gathering
and minimize errors in patient triage processing.
We define and implement an AI based module to manage patients emergency code
assignments in emergency departments. It uses emergency department historical
data to train the medical decision process. Data containing relevant patient
information, such as vital signs, symptoms, and medical history, are used to
accurately classify patients into triage categories. Experimental results
demonstrate that the proposed algorithm achieved high accuracy outperforming
traditional triage methods. By using the proposed method we claim that
healthcare professionals can predict severity index to guide patient management
processing and resource allocation.
- Abstract(参考訳): 患者トリアージは救急部門において重要な役割を担い、患者状態の緊急度合いを正しく評価し、タイムリーかつ適切なケアを確保する。
典型的には、患者管理プロセスから収集した経験と情報に基づいて、人間の操作者がトリアージを行う。
したがって、緊急レベルアソシエーションにおいてエラーを発生させることができるプロセスである。
近年,従来のトリアージ法は,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,患者トリアージ処理における情報収集と誤りの最小化が可能なアルゴリズムの開発に人工知能(AI)を活用することへの関心が高まっている。
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定義し,実装する。
救急省の履歴データを使って医療判断プロセスを訓練する。
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データは、患者をトリアージカテゴリに正確に分類するために使用される。
実験の結果,提案手法は従来のトリアージ法よりも精度が高かった。
提案手法を用いることで,医療専門家は患者管理処理と資源配分を指導するために重症度指数を予測できると主張している。
関連論文リスト
- README: Bridging Medical Jargon and Lay Understanding for Patient Education through Data-Centric NLP [9.432205523734707]
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。
このデータセットは、5万以上のユニークな(医療用語、日常の定義)ペアと30万の言及からなる。
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) - 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) - A novel Network Science Algorithm for Improving Triage of Patients [2.209921757303168]
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。
論文 参考訳(メタデータ) (2023-10-09T08:47:12Z) - Auditing for Human Expertise [12.967730957018688]
我々は、この問題を自然仮説テストとして適用できる統計的枠組みを開発する。
本稿では,専門家の予測が興味ある結果から統計的に独立しているかどうかを判定する簡単な手順を提案する。
我々のテストの拒絶は、人間の専門家が利用可能なデータに基づいてトレーニングされたアルゴリズムに価値を付加する可能性を示唆している。
論文 参考訳(メタデータ) (2023-06-02T16:15:24Z) - 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) - 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) - Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal
Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。
我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。
本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文 参考訳(メタデータ) (2021-06-09T00:42:44Z) - 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) - 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) - 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。