論文の概要: Forecasting mortality associated emergency department crowding

• arxiv url: http://arxiv.org/abs/2410.08247v1
• Date: Thu, 10 Oct 2024 11:38:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 04:26:09.231801
• Title: Forecasting mortality associated emergency department crowding
• Title（参考訳）: 救急部門群集の予測死亡率
• Authors: Jalmari Nevanlinna, Anna Eidstø, Jari Ylä-Mattila, Teemu Koivistoinen, Niku Oksala, Juho Kanniainen, Ari Palomäki, Antti Roine,
• Abstract要約: 救急部門(ED)の混雑は世界的な公衆衛生問題であり、死亡率の上昇と繰り返し関連付けられている。 最近のEDでは,90%以上の占有率は10日間の死亡率の増加と関連していることが示された。 匿名管理データを用いた死亡関連集団の予測が可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.612371348496745
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Emergency department (ED) crowding is a global public health issue that has been repeatedly associated with increased mortality. Predicting future service demand would enable preventative measures aiming to eliminate crowding along with it's detrimental effects. Recent findings in our ED indicate that occupancy ratios exceeding 90% are associated with increased 10-day mortality. In this paper, we aim to predict these crisis periods using retrospective data from a large Nordic ED with a LightGBM model. We provide predictions for the whole ED and individually for it's different operational sections. We demonstrate that afternoon crowding can be predicted at 11 a.m. with an AUC of 0.82 (95% CI 0.78-0.86) and at 8 a.m. with an AUC up to 0.79 (95% CI 0.75-0.83). Consequently we show that forecasting mortality-associated crowding using anonymous administrative data is feasible.
• Abstract（参考訳）: 救急部門(ED)の混雑は世界的な公衆衛生問題であり、死亡率の上昇と繰り返し関連付けられている。 将来のサービス需要の予測は、その有害な影響とともに、混雑を抑えるための予防措置を可能にする。 近年のEDでは,90%以上の占有率と10日間の死亡率の増加が示唆されている。 本稿では,光GBMモデルを用いた大規模北欧EDの振り返りデータを用いて,これらの危機期間を予測することを目的とする。 我々は、ED全体の予測と、それが異なる運用セクションに対して個別に提供します。 我々は、午前11時にAUCが0.82(95% CI 0.78-0.86)、午前8時にAUCが0.79(95% CI 0.75-0.83)と予測できることを示した。 その結果,匿名管理データによる死亡関連集団の予測が可能であることがわかった。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)
• Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
  ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。 実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。 モンキーポックスのWHO流行宣言より4～9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
  論文  参考訳（メタデータ） (2024-04-02T06:31:17Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Forecasting Emergency Department Crowding with Advanced Machine Learning Models and Multivariable Input [8.294560133196807]
  救急部門(ED)の混雑は患者の安全にとって重大な脅威であり、死亡率の上昇と繰り返し関連付けられている。 1)高度な機械学習モデル(ML)の急激な流入により予測モデルが時代遅れになったこと,2)多変量入力データが制限されたこと,3)個別のパフォーマンス指標が報告されることは稀である。 我々は、N-BEATSとLightGBMがそれぞれ11%と9%の改善率でベンチマークを上回り、DeepARは翌日のAUCが0.76(95 % CI 0.69-0.84)になると予測していることを示す。
  論文  参考訳（メタデータ） (2023-08-31T08:34:20Z)
• Self-Supervised Predictive Coding with Multimodal Fusion for Patient Deterioration Prediction in Fine-grained Time Resolution [6.806410144139259]
  本稿では,自己教師型予測符号化とマルチモーダル融合に基づく時間ごとの予測手法を提案する。 広範囲な実験により,多モード融合と自己監督型予測正則化の両方による性能向上が証明された。
  論文  参考訳（メタデータ） (2022-10-29T13:34:55Z)
• A Temporal Fusion Transformer for Long-term Explainable Prediction of Emergency Department Overcrowding [0.0]
  救急省(英語: emergency Departments、略称:ED)は、ポルトガル国立衛生局(英語版)の基本的な要素である。 サービスを利用する患者の数を予測することは特に困難である。 本稿では,新しい深層学習アーキテクチャであるTemporal Fusion Transformerについて述べる。 我々は,ポルトガルの保健地域(HRA)では平均絶対過誤(MAPE)が5.90%,Root Mean Squared Error(RMSE)が84.4102人/日で予測可能であると結論づけた。
  論文  参考訳（メタデータ） (2022-07-01T18:08:07Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• A unified machine learning approach to time series forecasting applied to demand at emergency departments [1.7119367122421556]
  2019年にはイングランドの救急省(ED)に2560万人が出席しており、過去10年間で1200万人が出席した。 我々は,最高の演奏時系列と機械学習アプローチの結果を組み合わせた,新しいアンサンブル手法を開発した。 平均絶対誤差は, 平均絶対誤差が6.8%, 平均絶対誤差が8.6%であった。
  論文  参考訳（メタデータ） (2020-07-13T07:59:24Z)
• Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
  われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。 一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
  論文  参考訳（メタデータ） (2020-06-23T03:36:19Z)
• PECAIQR: A Model for Infectious Disease Applied to the Covid-19 Epidemic [0.0]
  将来の日常的な死のアート予測の現在の状態は、許容できないほど広い信頼区間を持っている。 我々は、毎日の死亡と人口統計に関する米国の郡レベルのデータを使って、将来の死亡を予測した。 過去には, 様々な1ヶ月の窓に長期の地平線を予測し, 郡で必要となる医療資源数を予測し, 他国でのモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2020-06-17T17:59:55Z)

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。