論文の概要: Predicting the Stay Length of Patients in Hospitals using Convolutional Gated Recurrent Deep Learning Model

• arxiv url: http://arxiv.org/abs/2409.17786v1
• Date: Thu, 26 Sep 2024 12:29:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-28 19:42:02.109312
• Title: Predicting the Stay Length of Patients in Hospitals using Convolutional Gated Recurrent Deep Learning Model
• Title（参考訳）: コンボリューショナル・コンボリューショナル・コンボリューショナル・コンボリューショナル・コンボリューショナル・コンボリューショナル・コンボリューショナル・コンボリューショナル・コンボリューショナル・コンボリューショナル・コンボリューショナル・コン Gated Recurrent Deep Learning Model
• Authors: Mehdi Neshat, Michael Phipps, Chris A. Browne, Nicole T. Vargas, Seyedali Mirjalili
• Abstract要約: 我々は、多層畳み込み(CNN)ディープラーニング、Gated Recurrent Units(GRU)、Dense Neural Networkを組み合わせた、堅牢なハイブリッドディープラーニングモデルを導入する。 提案したモデル (CNN-GRU-DNN) は, LSTM, BiLSTM, GRU, Convolutional Neural Networks (CNN) を平均89%, 18.2%, 18.6%, 7% で上回っている。
• 参考スコア（独自算出の注目度）: 19.964439251985944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting hospital length of stay (LoS) stands as a critical factor in shaping public health strategies. This data serves as a cornerstone for governments to discern trends, patterns, and avenues for enhancing healthcare delivery. In this study, we introduce a robust hybrid deep learning model, a combination of Multi-layer Convolutional (CNNs) deep learning, Gated Recurrent Units (GRU), and Dense neural networks, that outperforms 11 conventional and state-of-the-art Machine Learning (ML) and Deep Learning (DL) methodologies in accurately forecasting inpatient hospital stay duration. Our investigation delves into the implementation of this hybrid model, scrutinising variables like geographic indicators tied to caregiving institutions, demographic markers encompassing patient ethnicity, race, and age, as well as medical attributes such as the CCS diagnosis code, APR DRG code, illness severity metrics, and hospital stay duration. Statistical evaluations reveal the pinnacle LoS accuracy achieved by our proposed model (CNN-GRU-DNN), which averages at 89% across a 10-fold cross-validation test, surpassing LSTM, BiLSTM, GRU, and Convolutional Neural Networks (CNNs) by 19%, 18.2%, 18.6%, and 7%, respectively. Accurate LoS predictions not only empower hospitals to optimise resource allocation and curb expenses associated with prolonged stays but also pave the way for novel strategies in hospital stay management. This avenue holds promise for catalysing advancements in healthcare research and innovation, inspiring a new era of precision-driven healthcare practices.
• Abstract（参考訳）: 病院滞在期間(LoS)の予測は、公衆衛生戦略を形成する上で重要な要素である。 このデータは、政府がヘルスケアデリバリーを強化するためのトレンド、パターン、道筋を識別するための基盤となる。 本研究では,多層畳み込み(CNN)深層学習,GRU(Gated Recurrent Units),Denseニューラルネットワークを組み合わせた高機能なハイブリッドディープラーニングモデルを提案する。 本研究は,CCS診断コード,APR DRGコード,重症度測定値,入院期間などの医療属性に加えて,介護施設の地理的指標,患者民族,人種,年齢を含む人口統計指標などの変数を精査する。 CNN-GRU-DNNではLSTM, BiLSTM, GRU, Convolutional Neural Networks (CNNs) をそれぞれ19%, 18.2%, 18.6%, 7%, それぞれ上回っている。 正確なLoS予測は、病院の資源配分を最適化し、長期滞在に伴う経費を削減するだけでなく、病院の滞在管理における新たな戦略の道を開いた。 この道は、医療研究とイノベーションの進歩を触媒する約束があり、精度駆動型医療の新たな時代を刺激している。

関連論文リスト

• Predicting 30-Day Hospital Readmission in Medicare Patients: Insights from an LSTM Deep Learning Model [4.918444397807014]
  本研究は, LSTMネットワークと機能工学を用いたメディケア病院の入院状況を分析し, コントリビューションの評価を行った。 LSTMモデルは、入院レベルおよび患者レベルのデータから時間的ダイナミクスを捉えるように設計されている。 主な特徴は、Charlson Comorbidity Index、病院の滞在時間、過去6ヶ月間の入院、人口統計学の変数は影響を受けなかった。
  論文  参考訳（メタデータ） (2024-10-23T03:50:32Z)
• Explainable Diagnosis Prediction through Neuro-Symbolic Integration [11.842565087408449]
  我々は、診断予測のための説明可能なモデルを開発するために、神経象徴的手法、特に論理ニューラルネットワーク(LNN)を用いている。 私たちのモデル、特に$M_textmulti-pathway$と$M_textcomprehensive$は、従来のモデルよりも優れたパフォーマンスを示します。 これらの知見は、医療AI応用における精度と説明可能性のギャップを埋める神経象徴的アプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2024-10-01T22:47:24Z)
• Length of Stay prediction for Hospital Management using Domain Adaptation [0.2624902795082451]
  入院期間 (LoS) は, 入院の効率的な計画, リソースの割り当て, ケアの改善に利用することができる重要な管理指標である。 過去の患者データと機械学習技術を用いて、LoS予測モデルを開発することができる。 倫理的には、これらのモデルは単位頭部の代わりに患者の退院には使用できないが、効果的な病院計画のための病院管理システムには最も必要である。
  論文  参考訳（メタデータ） (2023-06-29T09:58:21Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• MedML: Fusing Medical Knowledge and Machine Learning Models for Early Pediatric COVID-19 Hospitalization and Severity Prediction [27.352097332678213]
  我々は、新しい機械学習モデルであるMedMLを用いて、全国的な小児新型コロナウイルスデータ問題に対処する。 MedMLは600万以上の医療概念から、医療知識と妥当性スコアに基づいて最も予測可能な特徴を抽出する。 入院予測タスクは143,605名,重症度予測タスクは11,465名,重症度予測タスクは143,605名であった。
  論文  参考訳（メタデータ） (2022-07-25T15:56:14Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Predicting Patient Outcomes with Graph Representation Learning [0.47248250311484113]
  類似した患者をグラフでつなげることで,診断を時間的情報として活用する。 LSTM-GNは、eICUデータベース上の滞在予測タスクの長さでLSTMのみのベースラインを上回っていることを実証します。
  論文  参考訳（メタデータ） (2021-01-11T15:04:07Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。