論文の概要: Predicting 30-Day Hospital Readmission in Medicare Patients: Insights from an LSTM Deep Learning Model

• arxiv url: http://arxiv.org/abs/2410.17545v1
• Date: Wed, 23 Oct 2024 03:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:55:24.298755
• Title: Predicting 30-Day Hospital Readmission in Medicare Patients: Insights from an LSTM Deep Learning Model
• Title（参考訳）: 医療従事者における30日間の入院予測 : LSTM深層学習モデルから
• Authors: Xintao Li, Sibei Liu, Dezhi Yu, Yang Zhang, Xiaoyu Liu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.918444397807014
• License:
• Abstract: Readmissions among Medicare beneficiaries are a major problem for the US healthcare system from a perspective of both healthcare operations and patient caregiving outcomes. Our study analyzes Medicare hospital readmissions using LSTM networks with feature engineering to assess feature contributions. We selected variables from admission-level data, inpatient medical history and patient demography. The LSTM model is designed to capture temporal dynamics from admission-level and patient-level data. On a case study on the MIMIC dataset, the LSTM model outperformed the logistic regression baseline, accurately leveraging temporal features to predict readmission. The major features were the Charlson Comorbidity Index, hospital length of stay, the hospital admissions over the past 6 months, while demographic variables were less impactful. This work suggests that LSTM networks offers a more promising approach to improve Medicare patient readmission prediction. It captures temporal interactions in patient databases, enhancing current prediction models for healthcare providers. Adoption of predictive models into clinical practice may be more effective in identifying Medicare patients to provide early and targeted interventions to improve patient outcomes.
• Abstract（参考訳）: 医療受給者の受給は、医療運営と患者の介護結果の両方の観点から、米国の医療システムにとって大きな問題である。 本研究は, LSTMネットワークと機能工学を用いて, 医療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。 入院レベルのデータ,入院歴,患者検診から変数を選択した。 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。 MIMICデータセットのケーススタディでは、LSTMモデルはロジスティック回帰ベースラインよりも優れており、読み出し予測に時間的特徴を正確に活用している。 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。 この研究は、LSTMネットワークがメディケア患者の寛容予測を改善するためのより有望なアプローチを提供することを示唆している。 患者データベースにおける時間的相互作用をキャプチャし、医療提供者の現在の予測モデルを強化する。 臨床実習における予測モデルの導入は、医療患者を早期および目標とする介入によって患者の成果を改善するために、より効果的である可能性がある。

関連論文リスト

• 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)
• 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)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Hospitalization Length of Stay Prediction using Patient Event Sequences [4.204781617630707]
  本稿では,患者情報をイベントのシーケンスとしてモデル化し,入院期間(LOS)を予測するための新しいアプローチを提案する。 本稿では,患者の医療イベントシーケンスを記述したユニークな特徴を用いたLOS予測のためのトランスフォーマーベースモデルMedic-BERT(M-BERT)を提案する。 実験結果から,M-BERTは様々なLOS問題に対して高い精度を達成でき,従来の非シーケンスベース機械学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-20T11:48:36Z)
• Advances in Prediction of Readmission Rates Using Long Term Short Term Memory Networks on Healthcare Insurance Data [1.454498931674109]
  30日間の入院は長期にわたる医療問題であり、患者の死亡率や死亡率に影響を与え、年間数十億ドルの費用がかかる。 我々は、簡単に利用可能な保険データを利用できる双方向長短メモリ(LSTM)ネットワークを開発した。 以上の結果から, 機械学習モデルにより, 全患者に対して妥当な精度で入院リスクを予測できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T19:07:10Z)
• Towards Trustworthy Cross-patient Model Development [3.109478324371548]
  本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。 以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2021-12-20T10:51:04Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• 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)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• 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。