論文の概要: Leveraging Machine Learning Models to Predict the Outcome of Digital Medical Triage Interviews
- arxiv url: http://arxiv.org/abs/2504.11977v1
- Date: Wed, 16 Apr 2025 11:17:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-17 14:39:51.704292
- Title: Leveraging Machine Learning Models to Predict the Outcome of Digital Medical Triage Interviews
- Title（参考訳）: デジタル・メディカル・トライアージ・インタビューの結果を予測するための機械学習モデルの導入
- Authors: Sofia Krylova, Fabian Schmidt, Vladimir Vlassov,
- Abstract要約: 決定木モデル、特にLGBMClassifierとCatBoostClassifierは、完全なインタビューの結果を予測する上で80%以上の精度を達成する。
本研究は,決定木モデルのインタビュー完全性と予測力の線形相関性を明らかにする。
- 参考スコア（独自算出の注目度）: 0.1433758865948252
- License:
- Abstract: Many existing digital triage systems are questionnaire-based, guiding patients to appropriate care levels based on information (e.g., symptoms, medical history, and urgency) provided by the patients answering questionnaires. Such a system often uses a deterministic model with predefined rules to determine care levels. It faces challenges with incomplete triage interviews since it can only assist patients who finish the process. In this study, we explore the use of machine learning (ML) to predict outcomes of unfinished interviews, aiming to enhance patient care and service quality. Predicting triage outcomes from incomplete data is crucial for patient safety and healthcare efficiency. Our findings show that decision-tree models, particularly LGBMClassifier and CatBoostClassifier, achieve over 80\% accuracy in predicting outcomes from complete interviews while having a linear correlation between the prediction accuracy and interview completeness degree. For example, LGBMClassifier achieves 88,2\% prediction accuracy for interviews with 100\% completeness, 79,6\% accuracy for interviews with 80\% completeness, 58,9\% accuracy for 60\% completeness, and 45,7\% accuracy for 40\% completeness. The TabTransformer model demonstrated exceptional accuracy of over 80\% for all degrees of completeness but required extensive training time, indicating a need for more powerful computational resources. The study highlights the linear correlation between interview completeness and predictive power of the decision-tree models.
- Abstract（参考訳）: 既存のデジタルトリアージシステムの多くは、アンケートに基づくものであり、アンケートに回答する患者が提供する情報(例えば、症状、医療履歴、緊急性)に基づいて、適切なケアレベルに患者を誘導する。
このようなシステムは、しばしばケアレベルを決定するために、事前に定義されたルールを持つ決定論的モデルを使用する。
不完全なトリアージ面接は、プロセスを終える患者にしか役に立たないため、課題に直面している。
本研究では,未完成面接の結果を予測するための機械学習(ML)の利用について検討し,患者のケアとサービス品質の向上を目的とした。
不完全なデータからトリアージ結果を予測することは、患者の安全と医療効率に不可欠である。
以上の結果から,決定木モデル,特にLGBMClassifierとCatBoostClassifierは,予測精度とインタビュー完全度との間に線形相関を保ちながら,完全な面接結果の予測において80%以上の精度が得られることがわかった。
例えば、LGBMClassifierは、100\%完全性のあるインタビューの88,2\%の精度、80\%完全性のあるインタビューの79,6\%の精度、60\%完全性のための58,9\%の精度、40\%完全性のための45,7\%の精度を達成している。
TabTransformer モデルは全完全度に対して 80\% 以上の異常な精度を示したが、より強力な計算資源の必要性を示唆する訓練時間を必要とした。
本研究は,決定木モデルのインタビュー完全性と予測力の線形相関性を明らかにする。
関連論文リスト
- End-To-End Clinical Trial Matching with Large Language Models [0.6151041580858937]
大言語モデル(LLM)を用いた臨床試験のためのエンドツーエンドパイプラインを提案する。
本研究は,93.3%の症例において関連する候補試験を同定し,88.0%の予備的精度を達成している。
私たちの完全なエンドツーエンドパイプラインは、自律的または人間の監督の下で運用することができ、オンコロジーに限定されません。
論文 参考訳（メタデータ） (2024-07-18T12:36:26Z) - Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。
本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。
LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
論文 参考訳（メタデータ） (2024-03-28T12:11:29Z) - Learning and DiSentangling Patient Static Information from Time-series
Electronic HEalth Record (STEER) [3.079694232219292]
医療における機械学習の最近の研究は、患者のプライバシとアルゴリズムの公正性に関する懸念を提起している。
そこで我々は,患者の静的情報を予測するための時系列電子健康記録データの有用性を体系的に検討した。
生の時系列データだけでなく、機械学習モデルから学習した表現も、さまざまな静的情報を予測するためにトレーニングできることがわかった。
論文 参考訳（メタデータ） (2023-09-20T14:54:48Z) - MedAlign: A Clinician-Generated Dataset for Instruction Following with
Electronic Medical Records [60.35217378132709]
大型言語モデル(LLM)は、人間レベルの流布で自然言語の指示に従うことができる。
医療のための現実的なテキスト生成タスクにおけるLCMの評価は依然として困難である。
我々は、EHRデータのための983の自然言語命令のベンチマークデータセットであるMedAlignを紹介する。
論文 参考訳（メタデータ） (2023-08-27T12:24:39Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep
Staging [61.6346401960268]
プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。
不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
論文 参考訳（メタデータ） (2023-06-07T08:27:36Z) - MOMO -- Deep Learning-driven classification of external DICOM studies
for PACS archivation [0.9498643829295902]
MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。
既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。
MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
論文 参考訳（メタデータ） (2021-12-01T17:16:41Z) - 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) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - Improving Emergency Department ESI Acuity Assignment Using Machine
Learning and Clinical Natural Language Processing [12.032786684457385]
166,175人を対象に, トリアージプロセスのためのMLモデル(KATE)を開発した。
KATEは、看護師(59.8%)と平均的な個別臨床医(75.3%)と比較して、視力の割り当てを75.9%と予測した。
2 と 3 の明度割り当ての境界では、KATE は 80% の精度で 93.2% 高く、41.4% のトリアージ看護師 (p-value 0.0001) は 41.4% の精度であった。
論文 参考訳（メタデータ） (2020-03-29T20:18:22Z)
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。