論文の概要: The Role of Machine Learning in Reducing Healthcare Costs: The Impact of Medication Adherence and Preventive Care on Hospitalization Expenses

• arxiv url: http://arxiv.org/abs/2504.07422v1
• Date: Thu, 10 Apr 2025 03:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:23:52.705067
• Title: The Role of Machine Learning in Reducing Healthcare Costs: The Impact of Medication Adherence and Preventive Care on Hospitalization Expenses
• Title（参考訳）: 医療費削減における機械学習の役割 : 医療適応と予防ケアが入院率に及ぼす影響
• Authors: Yixin Zhang, Yisong Chen,
• Abstract要約: 本研究は, 入院率の低下にともなう予防ケアと薬剤順守の重要性を明らかにする。 Logistic Regression、Gradient Boosting、Random Forest、Artificial Neural Networksの4つの機械学習モデルを使用して、5年間の入院リスクを予測する。 高用量と一貫した予防ケアを持つ患者は、入院リスクの38.3%と37.7%を減少させることができる。
• 参考スコア（独自算出の注目度）: 18.97832426593808
• License:
• Abstract: This study reveals the important role of prevention care and medication adherence in reducing hospitalizations. By using a structured dataset of 1,171 patients, four machine learning models Logistic Regression, Gradient Boosting, Random Forest, and Artificial Neural Networks are applied to predict five-year hospitalization risk, with the Gradient Boosting model achieving the highest accuracy of 81.2%. The result demonstrated that patients with high medication adherence and consistent preventive care can reduce 38.3% and 37.7% in hospitalization risk. The finding also suggests that targeted preventive care can have positive Return on Investment (ROI), and therefore ML models can effectively direct personalized interventions and contribute to long-term medical savings.
• Abstract（参考訳）: 本研究は, 入院率の低下にともなう予防ケアと薬剤順守の重要性を明らかにする。 1,171人の患者と4つの機械学習モデルからなる構造化データセットを使用することで、5年間の入院リスクを予測するために、ロジスティック回帰、グラディエントブースティング、ランダムフォレスト、および人工ニューラルネットワークが適用され、グラディエントブースティングモデルは81.2%の精度を達成した。 その結果,高薬剤密着性と一貫した予防ケアが入院リスクの38.3%と37.7%を減少させる可能性が示唆された。 この発見は、標的とする予防ケアが投資利益(ROI)に寄与しうることを示唆しており、MLモデルは個人化された介入を効果的に誘導し、長期的な医療費の削減に寄与することができる。

関連論文リスト

• Primary Care Diagnoses as a Reliable Predictor for Orthopedic Surgical Interventions [0.10624941710159722]
  リファラルワークフローの非効率性は、最適な患者と高い医療費に寄与する。 本研究では,プライマリケアの診断項目に基づく手続き的ニーズの予測の可能性について検討した。
  論文  参考訳（メタデータ） (2025-02-06T17:15:12Z)
• Access to care improves EHR reliability and clinical risk prediction model performance [1.5020330976600735]
  134,513人からなる全Usデータセットを用いて,医療機械学習パイプラインへのケアアクセスの効果を検討した。 以上の結果より, 患者自己申告条件により, コスト制約や遅発性ケアを要した患者は, EHRの信頼性が低下することが明らかとなった。 これらの結果は、医療アクセスがデータの信頼性と臨床予測性能の両方に系統的に影響を及ぼすという最初の大規模な証拠となる。
  論文  参考訳（メタデータ） (2024-12-10T18:00:53Z)
• Predicting Mortality and Functional Status Scores of Traumatic Brain Injury Patients using Supervised Machine Learning [0.0]
  外傷性脳損傷(TBI)は公衆衛生上の重大な課題であり、しばしば死亡または持続性障害を引き起こす。 死亡率や機能的状態尺度(FSS)のスコアなどの予測結果は治療戦略を強化し、臨床的な意思決定を通知することができる。 本研究では,300名の小児TBI患者の現実的データセットを用いて,機械学習(ML)を用いて死亡率とFSSスコアを予測する。
  論文  参考訳（メタデータ） (2024-10-27T00:44:45Z)
• Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
  本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。 我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。 厳密な実験と検証により,RNNモデルの優れた性能が示された。
  論文  参考訳（メタデータ） (2024-09-03T19:18:16Z)
• The Foundational Capabilities of Large Language Models in Predicting Postoperative Risks Using Clinical Notes [7.42249589630227]
  各種微調整戦略を用いて,大言語モデル(LLM)の術後6つのリスク予測における性能について検討した。 事前訓練されたLLMは、AUROCが38.3%、AUPRCが33.2%で従来の単語の埋め込みよりも優れていた。 最高性能は統一された基礎モデルで達成され、AUROCは3.6%、AUPRCは2.6%改善された。
  論文  参考訳（メタデータ） (2024-02-27T13:18:00Z)
• 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)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• 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)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• 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)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。