論文の概要: Forecasting Opioid Incidents for Rapid Actionable Data for Opioid Response in Kentucky

• arxiv url: http://arxiv.org/abs/2410.16500v1
• Date: Mon, 21 Oct 2024 20:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:28:13.577600
• Title: Forecasting Opioid Incidents for Rapid Actionable Data for Opioid Response in Kentucky
• Title（参考訳）: ケンタッキー州におけるオピオイド反応の迅速行動データに対するオピオイド現象の予測
• Authors: Aaron D. Mullen, Daniel Harris, Peter Rock, Svetla Slavova, Jeffery Talbert, V. K. Cody Bumgardner,
• Abstract要約: 我々は、ケンタッキー州の救急医療機関(EMS)が記録した未来のオピオイド過剰摂取事故の数を正確に予測する機械学習と時系列予測の分野における取り組みについて述べる。 提案手法は, EMSオピオイド過剰摂取の地域レベルと地域レベルアグリゲーションを用いて, 毎月の日数予測を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present efforts in the fields of machine learning and time series forecasting to accurately predict counts of future opioid overdose incidents recorded by Emergency Medical Services (EMS) in the state of Kentucky. Forecasts are useful to state government agencies to properly prepare and distribute resources related to opioid overdoses effectively. Our approach uses county and district level aggregations of EMS opioid overdose encounters and forecasts future counts for each month. A variety of additional covariates were tested to determine their impact on the model's performance. Models with different levels of complexity were evaluated to optimize training time and accuracy. Our results show that when special precautions are taken to address data sparsity, useful predictions can be generated with limited error by utilizing yearly trends and covariance with additional data sources.
• Abstract（参考訳）: ケンタッキー州の救急医療機関 (EMS) が記録した未来のオピオイド過剰摂取事故の数を正確に予測するための機械学習と時系列予測の分野における取り組みについて述べる。 予測は、オピオイド過剰摂取に関連する資源を適切に準備し、配布する州政府機関にとって有用である。 提案手法は, EMSオピオイド過剰摂取の地域レベルと地域レベルアグリゲーションを用いて, 毎月の日数予測を行う。 モデルの性能への影響を判断するために、様々な共変量体が試験された。 異なるレベルの複雑さを持つモデルは、トレーニング時間と精度を最適化するために評価された。 以上の結果から,データ分散に対処するために特別な注意を払っている場合,年次傾向とデータソースとの共分散を利用して,限られた誤差で有用な予測を生成できることが示唆された。

関連論文リスト

• Multi-Source Conformal Inference Under Distribution Shift [41.701790856201036]
  複数のバイアスのあるデータソースを活用することにより,対象個体数の分布自由な予測区間を得るという課題を考察する。 対象集団および源集団における未観測結果の定量値に対する効率的な影響関数を導出する。 本稿では、効率向上のための重み付き情報ソースとバイアス低減のための重み付き非情報ソースに対するデータ適応戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-15T13:33:09Z)
• 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)
• 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)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Forecasting COVID-19 daily cases using phone call data [0.0]
  本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。 提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
  論文  参考訳（メタデータ） (2020-10-05T18:07:07Z)
• 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)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)

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。