Fugu-MT 論文翻訳(概要): Deep Learning on Hester Davis Scores for Inpatient Fall Prediction

論文の概要: Deep Learning on Hester Davis Scores for Inpatient Fall Prediction

arxiv url: http://arxiv.org/abs/2501.06432v1
Date: Sat, 11 Jan 2025 04:20:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-14 14:27:55.133005
Title: Deep Learning on Hester Davis Scores for Inpatient Fall Prediction
Title（参考訳）: 患者の転倒予測のためのヘスター・デイビススコアの深層学習
Authors: Hojjat Salehinejad, Ricky Rojas, Kingsley Iheasirim, Mohammed Yousufuddin, Bijan Borah,
Abstract要約: そこで我々は,秋予測の強化のための2つの機械学習手法を提案する。転倒予測と逐次転倒予測転倒リスク予測の精度を評価するために,これらの手法を比較した。
参考スコア（独自算出の注目度）: 7.454195840842691
License:
Abstract: Fall risk prediction among hospitalized patients is a critical aspect of patient safety in clinical settings, and accurate models can help prevent adverse events. The Hester Davis Score (HDS) is commonly used to assess fall risk, with current clinical practice relying on a threshold-based approach. In this method, a patient is classified as high-risk when their HDS exceeds a predefined threshold. However, this approach may fail to capture dynamic patterns in fall risk over time. In this study, we model the threshold-based approach and propose two machine learning approaches for enhanced fall prediction: One-step ahead fall prediction and sequence-to-point fall prediction. The one-step ahead model uses the HDS at the current timestamp to predict the risk at the next timestamp, while the sequence-to-point model leverages all preceding HDS values to predict fall risk using deep learning. We compare these approaches to assess their accuracy in fall risk prediction, demonstrating that deep learning can outperform the traditional threshold-based method by capturing temporal patterns and improving prediction reliability. These findings highlight the potential for data-driven approaches to enhance patient safety through more reliable fall prevention strategies.
Abstract（参考訳）: 入院患者の転倒リスク予測は、臨床現場における患者の安全性の重要な側面であり、正確なモデルが有害事象の予防に役立つ。ヘスター・デイビススコア (Hester Davis Score, HDS) は転倒リスクを評価するために一般的に用いられ、現在の臨床実践は閾値に基づくアプローチに依存している。この方法では、HDSが予め定義された閾値を超えると、患者はハイリスクに分類される。しかしながら、このアプローチは、時間の経過とともにフォールリスクの動的パターンをキャプチャできない可能性がある。本研究では、しきい値に基づくアプローチをモデル化し、秋予測の強化のための2つの機械学習アプローチを提案する。 1ステップ先進モデルは、現在のタイムスタンプでHDSを使用して次のタイムスタンプでリスクを予測し、シーケンシャルツーポイントモデルは、前のHDSの値をすべて活用して、ディープラーニングを使用してフォールリスクを予測する。秋のリスク予測において,これらの手法を比較し,時間的パターンを捕捉し,予測信頼性を向上させることによって,ディープラーニングが従来のしきい値に基づく手法より優れていることを示す。これらの知見は、より信頼性の高い転倒予防戦略を通じて、患者の安全性を高めるためのデータ駆動アプローチの可能性を強調している。

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)
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)
Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-19T03:24:34Z)
Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
論文参考訳（メタデータ） (2022-07-06T19:49:42Z)
A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。個人予測の信頼性推定は誤分類率と大きな相関を示した。
論文参考訳（メタデータ） (2021-10-15T19:33:46Z)
Surrogate Assisted Semi-supervised Inference for High Dimensional Risk Prediction [3.10560974227074]
高次元予測器を用いたリスクモデリングのためのSAS(Surrogate Assisted Semi-supervised- Learning)アプローチを開発しています。 SAS法が高次元作業モデルに起因する予測リスクに対して有効な推論を提供することを実証する。
論文参考訳（メタデータ） (2021-05-04T03:08:51Z)
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)
Dynamic prediction of time to event with survival curves [3.9169188005935927]
最近開発した反実用動的生存モデル(CDSM)を静的および縦方向の観測データに適用します。評価された個別生存曲線の反射点が、患者の失敗時間の確実な予測をもたらすことを証明した。
論文参考訳（メタデータ） (2021-01-26T12:17:27Z)
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)
DeepHazard: neural network for time-varying risks [0.6091702876917281]
生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
論文参考訳（メタデータ） (2020-07-26T21:01:49Z)

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。