論文の概要: Predicting Elevated Risk of Hospitalization Following Emergency Department Discharges

• arxiv url: http://arxiv.org/abs/2407.00147v1
• Date: Fri, 28 Jun 2024 17:01:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 06:10:29.072197
• Title: Predicting Elevated Risk of Hospitalization Following Emergency Department Discharges
• Title（参考訳）: 救急部門退院後の入院リスク予測
• Authors: Dat Hong, Philip M. Polgreen, Alberto Maria Segre,
• Abstract要約: 1つ以上の救急部訪問のタイミングに追随する入院は、適切な診断を下す機会の欠如の兆候であることが多い。 データマイニング技術が既存の大規模入院データセットにどのように適用され、これらの入院を高精度に予測する有用なモデルを学ぶことができるかを示す。
• 参考スコア（独自算出の注目度）: 2.7309692684728617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hospitalizations that follow closely on the heels of one or more emergency department visits are often symptoms of missed opportunities to form a proper diagnosis. These diagnostic errors imply a failure to recognize the need for hospitalization and deliver appropriate care, and thus also bear important connotations for patient safety. In this paper, we show how data mining techniques can be applied to a large existing hospitalization data set to learn useful models that predict these upcoming hospitalizations with high accuracy. Specifically, we use an ensemble of logistics regression, na\"ive Bayes and association rule classifiers to successfully predict hospitalization within 3, 7 and 14 days of an emergency department discharge. Aside from high accuracy, one of the advantages of the techniques proposed here is that the resulting classifier is easily inspected and interpreted by humans so that the learned rules can be readily operationalized. These rules can then be easily distributed and applied directly by physicians in emergency department settings to predict the risk of early admission prior to discharging their emergency department patients.
• Abstract（参考訳）: 1つ以上の救急部訪問のタイミングに追随する入院は、適切な診断を下す機会の欠如の兆候であることが多い。 これらの診断ミスは、入院の必要性を認識し、適切なケアを行うことができず、また、患者の安全に重要な意味を持つことを意味する。 本稿では,既存の大規模入院データにデータマイニング技術を適用し,今後の入院を高精度に予測する有用なモデルを学習する方法について述べる。 具体的には,緊急退院後3,7,14日以内に入院を予測するために,ロジスティクス回帰,na\"ive Bayes,およびアソシエーションルール分類器のアンサンブルを用いている。 提案手法の利点の1つは、学習ルールが容易に操作できるように、結果の分類器を人間によって容易に検査・解釈できる点である。 これらのルールは、救急部門で医師が簡単に配布し、直接適用することで、救急部門の患者が退院する前に早期入院のリスクを予測することができる。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records [2.156208381257605]
  そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。 実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-16T08:48:52Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• Scheduling with Predictions [0.0]
  現代の学習技術により、医療画像の異常を数分で検出できるようになった。 機械による診断は、放射線技師による人間の画像のレビューを確実に置き換えることはできない。 本研究では,このシナリオを学習強化オンラインスケジューリング問題として定式化することによって研究する。
  論文  参考訳（メタデータ） (2022-12-20T17:10:06Z)
• Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes? [53.45585591262433]
  本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。 我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
  論文  参考訳（メタデータ） (2022-10-28T04:06:07Z)
• 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)
• 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)
• 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)
• 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。