論文の概要: Many happy returns: machine learning to support platelet issuing and waste reduction in hospital blood banks

• arxiv url: http://arxiv.org/abs/2411.14939v1
• Date: Fri, 22 Nov 2024 13:50:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 18:36:32.574472
• Title: Many happy returns: machine learning to support platelet issuing and waste reduction in hospital blood banks
• Title（参考訳）: 多くの幸福なリターン:病院血液バンクにおける血小板発行と廃棄物削減を支援する機械学習
• Authors: Joseph Farrington, Samah Alimam, Martin Utley, Kezhi Li, Wai Keong Wong,
• Abstract要約: 本稿では,期限前に返却されたユニットが再発行される可能性を高めるため,機械学習(ML)誘導型発行ポリシーを提案する。 我々のモデルは17,297件の血小板に対するリターンを予測できるように訓練され,9,353件のAUROC 0.74が得られた。
• 参考スコア（独自算出の注目度）: 3.118425697182794
• License:
• Abstract: Efforts to reduce platelet wastage in hospital blood banks have focused on ordering policies, but the predominant practice of issuing the oldest unit first may not be optimal when some units are returned unused. We propose a novel, machine learning (ML)-guided issuing policy to increase the likelihood of returned units being reissued before expiration. Our ML model trained to predict returns on 17,297 requests for platelets gave AUROC 0.74 on 9,353 held-out requests. Prior to ML model development we built a simulation of the blood bank operation that incorporated returns to understand the scale of benefits of such a model. Using our trained model in the simulation gave an estimated reduction in wastage of 14%. Our partner hospital is considering adopting our approach, which would be particularly beneficial for hospitals with higher return rates and where units have a shorter remaining useful life on arrival.
• Abstract（参考訳）: 病院血液バンクにおける血小板減少対策は, 方針の順守に重点を置いているが, 最古単位の発行は, 未使用時に最適でない場合がある。 本稿では,期限前に返却されたユニットが再発行される可能性を高めるため,機械学習(ML)誘導型発行ポリシーを提案する。 我々のMLモデルは、血小板に対する17,297件のリクエストに対するリターンを予測できるように訓練され、9,353件のリクエストに対してAUROC 0.74が与えられた。 MLモデル開発に先立ち、そのようなモデルのメリットのスケールを理解するために、リターンを組み込んだ血液バンク操作のシミュレーションを構築した。 シミュレーションでトレーニングしたモデルを用いて, 洗浄量は14%と推定された。 当社のパートナー病院は当社のアプローチを採用することを検討しているが、これは高いリターン率の病院や、到着時に有用寿命が短い病院にとって特に有益である。

関連論文リスト

• An Early FIRST Reproduction and Improvements to Single-Token Decoding for Fast Listwise Reranking [50.81324768683995]
  FIRSTは、学習からランクへの目的を統合し、最初の生成されたトークンのみのロジットを活用する新しいアプローチである。 我々は、FIRSTの評価をTRECディープラーニングデータセット(DL19-22)に拡張し、様々な領域でその堅牢性を検証する。 我々の実験は、単一トークンの高速リランクは、ドメイン外リランクの品質を損なうものではないことを確認した。
  論文  参考訳（メタデータ） (2024-11-08T12:08:17Z)
• Machine Unlearning for Medical Imaging [14.71921867714043]
  機械学習は、事前訓練されたモデルから特定のトレーニングサンプル群の影響を取り除くプロセスである。 医用画像領域における異なる未学習アルゴリズムの有効性と計算効率を評価する。
  論文  参考訳（メタデータ） (2024-07-10T10:59:28Z)
• Large Language Model Distilling Medication Recommendation Model [61.89754499292561]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Less Could Be Better: Parameter-efficient Fine-tuning Advances Medical Vision Foundation Models [71.18275399694689]
  医療視基盤モデルにおけるPEFTの有効性はまだ不明である。 NIH ChestX-ray14のラベル付きデータを用いたAUROCスコアの80.6%など,さまざまなデータ効率の学習タスクに対して,新たな最先端技術を構築した。 本研究は, PEFTを用いた医用画像の伝達学習において, コミュニティの注目を集めることが期待できる。
  論文  参考訳（メタデータ） (2024-01-22T18:59:07Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Interpretable (not just posthoc-explainable) medical claims modeling for discharge placement to prevent avoidable all-cause readmissions or death [2.198760145670348]
  我々は回帰係数の変動を表現するために本質的に解釈可能な多レベルベイズフレームワークを開発した。 我々は,この枠組みを用いて,医療クレームを用いた生存モデルを定式化し,入院と死亡を予測した。 2009-2011年の入院エピソードに基づいて、2008年と2011年の医療受給者の5%のサンプルを用いてモデルを訓練し、2012年のエピソードでモデルを検証した。
  論文  参考訳（メタデータ） (2022-08-28T06:19:32Z)
• Distillation to Enhance the Portability of Risk Models Across Institutions with Large Patient Claims Database [12.452703677540505]
  可読性予測モデルのクロスサイト評価によるモデルポータビリティの実現性について検討する。 再帰型ニューラルネットワークを自己注意で拡張し、専門家の特徴とブレンドして、可読性予測モデルを構築する。 実験の結果、ある機関で訓練・試験されたMLモデルの直接適用は、同一施設で訓練・試験されたMLモデルよりも悪い結果が得られた。
  論文  参考訳（メタデータ） (2022-07-06T05:26:32Z)
• Extracting Clinician's Goals by What-if Interpretable Modeling [13.154512864498912]
  患者の治療における臨床医の報酬の回復に焦点をあてる。 今後の成果に基づいて,臨床医の行動を説明するために,「何」推論を取り入れた。
  論文  参考訳（メタデータ） (2021-10-28T14:41:06Z)
• Model-Augmented Q-learning [112.86795579978802]
  モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。 具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。 提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-07T17:56:50Z)

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。