論文の概要: Machine Learning and Statistical Insights into Hospital Stay Durations: The Italian EHR Case
- arxiv url: http://arxiv.org/abs/2504.18393v1
- Date: Fri, 25 Apr 2025 14:44:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.799902
- Title: Machine Learning and Statistical Insights into Hospital Stay Durations: The Italian EHR Case
- Title（参考訳）: 病院滞在期間における機械学習と統計的考察 : イタリアのEHR事例
- Authors: Marina Andric, Mauro Dragoni,
- Abstract要約: 入院期間(LoS)は,医療の質を評価し,病院の資源管理を最適化するための重要な指標である。
本研究は、2020年から2023年までのピエモンテ地域の60以上の医療施設の入院記録のデータセットを用いて、イタリアの医療状況におけるLoSに影響を与える要因を特定することを目的としている。
- 参考スコア（独自算出の注目度）: 3.034038412630808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Length of hospital stay is a critical metric for assessing healthcare quality and optimizing hospital resource management. This study aims to identify factors influencing LoS within the Italian healthcare context, using a dataset of hospitalization records from over 60 healthcare facilities in the Piedmont region, spanning from 2020 to 2023. We explored a variety of features, including patient characteristics, comorbidities, admission details, and hospital-specific factors. Significant correlations were found between LoS and features such as age group, comorbidity score, admission type, and the month of admission. Machine learning models, specifically CatBoost and Random Forest, were used to predict LoS. The highest R2 score, 0.49, was achieved with CatBoost, demonstrating good predictive performance.
- Abstract（参考訳）: 入院期間は、医療の質を評価し、病院の資源管理を最適化するための重要な指標である。
本研究は、2020年から2023年までのピエモンテ地域の60以上の医療施設の入院記録のデータセットを用いて、イタリアの医療状況におけるLoSに影響を与える要因を特定することを目的としている。
患者の特徴, 共同性, 入院内容, 病院固有の要因など, 様々な特徴について検討した。
LoSと年齢群, 同性スコア, 入院タイプ, 入院月数などの特徴との間に有意な相関が認められた。
機械学習モデル、特にCatBoostとRandom Forestは、LoSを予測するために使用された。
R2の最高スコア0.49はキャットブーストで達成され、優れた予測性能を示した。
関連論文リスト
- SemioLLM: Evaluating Large Language Models for Diagnostic Reasoning from Unstructured Clinical Narratives in Epilepsy [45.2233252981348]
臨床知識を符号化するための言語モデル(LLM)が示されている。
6つの最先端モデルをベンチマークする評価フレームワークであるSemioLLMを提案する。
ほとんどのLSMは、脳内の発作発生領域の確率的予測を正確かつ確実に生成できることを示す。
論文 参考訳（メタデータ） (2024-07-03T11:02:12Z) - Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。
我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。
LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
論文 参考訳（メタデータ） (2024-04-10T09:48:52Z) - Generalization in Healthcare AI: Evaluation of a Clinical Large Language
Model [9.83029774375588]
大規模言語モデル(LLM)は、患者のケアの改善、臨床的意思決定、医師と管理者の強化のための医療の機会を提供する。
これらのモデルのポテンシャルは、臨床環境や人口にわたって効果的に一般化する能力に大きく依存する。
本研究は,30日間の完全寛解予測において,HOSPITALの臨床ノートを用いたLCMであるクリニックLLMを評価した。
論文 参考訳（メタデータ） (2024-02-14T06:24:52Z) - Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳（メタデータ） (2023-12-31T16:01:48Z) - Towards Clinical Prediction with Transparency: An Explainable AI
Approach to Survival Modelling in Residential Aged Care [0.0]
この研究は、機械学習を用いて高齢者ケアの生存モデルを作成し、死亡リスク要因に関する臨床的知見と一致させる。
主な死亡率予測には、年齢、男性性、移動性、健康状態、圧力潰瘍リスク、食欲などが含まれる。
論文 参考訳（メタデータ） (2023-12-01T01:11:16Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Assessing the impact of emergency department short stay units using
length-of-stay prediction and discrete event simulation [1.0822676139724565]
救急部門から一般内科に入院した患者に対して,入院期間を予測する意思決定支援システムの構築を目指す。
我々は探索的データ分析を行い、最高の予測性能をもたらす属性を識別するために特徴選択手法を用いる。
論文 参考訳（メタデータ） (2023-08-04T22:26:02Z) - 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) - GWO-FI: A novel machine learning framework by combining Gray Wolf
Optimizer and Frequent Itemsets to diagnose and investigate effective factors
on In-Hospital Mortality and Length of Stay among Kermanshahian
Cardiovascular Disease patients [0.0]
本稿では,よく知られたオオカミのアルゴリズムとアソシエーションルールマイニングアルゴリズムによって抽出された頻繁な項目を組み合わせたアプローチを提案する。
このフレームワークは、イランのイマム・アリ・ケルマンシャー病院で2816人の患者からなる実際のデータセットを用いて評価された。
論文 参考訳（メタデータ） (2022-12-26T09:03:17Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for
COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。
提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。
定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文 参考訳（メタデータ） (2021-09-14T14:16:32Z) - Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical
Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。
データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。
マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-04-14T11:58:54Z) - From predictions to prescriptions: A data-driven response to COVID-19 [42.57407485467993]
新型コロナウイルスの臨床的特徴を理解するための包括的データ駆動型アプローチを提案する。
私たちは、感染や死亡のリスクを予測するために、パーソナライズされた電卓を構築します。
人工呼吸器の再配置と不足軽減のための最適化モデルを提案する。
論文 参考訳（メタデータ） (2020-06-30T03:34:00Z)
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。