論文の概要: An Artificial Intelligence-Based Framework for Predicting Emergency Department Overcrowding: Development and Evaluation Study

• arxiv url: http://arxiv.org/abs/2504.18578v1
• Date: Wed, 23 Apr 2025 00:23:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.885321
• Title: An Artificial Intelligence-Based Framework for Predicting Emergency Department Overcrowding: Development and Evaluation Study
• Title（参考訳）: 人工知能を用いた救急部門混雑予測フレームワークの開発と評価研究
• Authors: Orhun Vural, Bunyamin Ozaydin, Khalid Y. Aram, James Booth, Brittany F. Lindsey, Abdulaziz Ahmed,
• Abstract要約: 本研究では,2つの時間スケールで救急部門(ED)の待合室占有率を予測する機械学習モデルを開発した。 時間ごとのモデルでは、待ち時間が6時間前(例えば午後7時)に予測され、日毎のモデルでは、次の24時間の平均待ち時間が推定される。 これらのツールはスタッフの意思決定をサポートし、早期の介入によって過密を減らすことができる。
• 参考スコア（独自算出の注目度）: 2.3933684192993177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Emergency department (ED) overcrowding remains a major challenge, causing delays in care and increased operational strain. Hospital management often reacts to congestion after it occurs. Machine learning predictive modeling offers a proactive approach by forecasting patient flow metrics, such as waiting count, to improve resource planning and hospital efficiency. Objective: This study develops machine learning models to predict ED waiting room occupancy at two time scales. The hourly model forecasts the waiting count six hours ahead (e.g., a 1 PM prediction for 7 PM), while the daily model estimates the average waiting count for the next 24 hours (e.g., a 5 PM prediction for the following day's average). These tools support staffing decisions and enable earlier interventions to reduce overcrowding. Methods: Data from a partner hospital's ED in the southeastern United States were used, integrating internal metrics and external features. Eleven machine learning algorithms, including traditional and deep learning models, were trained and evaluated. Feature combinations were optimized, and performance was assessed across varying patient volumes and hours. Results: TSiTPlus achieved the best hourly prediction (MAE: 4.19, MSE: 29.32). The mean hourly waiting count was 18.11, with a standard deviation of 9.77. Accuracy varied by hour, with MAEs ranging from 2.45 (11 PM) to 5.45 (8 PM). Extreme case analysis at one, two, and three standard deviations above the mean showed MAEs of 6.16, 10.16, and 15.59, respectively. For daily predictions, XCMPlus performed best (MAE: 2.00, MSE: 6.64), with a daily mean of 18.11 and standard deviation of 4.51. Conclusions: These models accurately forecast ED waiting room occupancy and support proactive resource allocation. Their implementation has the potential to improve patient flow and reduce overcrowding in emergency care settings.
• Abstract（参考訳）: 背景: 救急部門 (ED) の過密は依然として大きな課題であり, 治療の遅れと手術負荷の増加を引き起こしている。 病院の管理は、それが生じた後、しばしば渋滞に反応する。 機械学習予測モデリングは、待ち時間などの患者フローのメトリクスを予測して、リソース計画と病院の効率を改善する、積極的なアプローチを提供する。 目的: 本研究は,2つの時間スケールでED待合室占有率を予測する機械学習モデルを開発する。 時間モデルでは、待ち時間は6時間前(例:7 PMの1 PM予測)、日モデルでは、次の24時間の平均待ち時間(例:翌日の平均5 PM予測)を推定する。 これらのツールはスタッフの意思決定をサポートし、早期の介入によって過密を減らすことができる。 方法:米国南東部のパートナー病院のEDのデータを用いて,内的指標と外的特徴を統合した。 従来のディープラーニングモデルを含む11の機械学習アルゴリズムをトレーニングし、評価した。 機能の組み合わせは最適化され、様々な患者数と時間にまたがってパフォーマンスが評価された。 結果: TSiTPlusは最高の時差予測(MAE: 4.19, MSE: 29.32)を達成した。 平均時給は18.11であり、標準偏差は9.77である。 精度は時間によって変化し、MAEは2.45 (11 PM)から5.45 (8 PM)まで変化した。 1、2、および3つの標準偏差における極端ケース解析では、それぞれ6.16、10.16、15.59のMAEを示した。 毎日の予測では、XCMPlusが最高(MAE: 2.00, MSE: 6.64)、平均18.11、標準偏差4.51である。 結論: これらのモデルは, ED待合室の占有率を正確に予測し, 積極的な資源配分を支援する。 それらの実装は、患者のフローを改善し、緊急ケア設定における過密を減らす可能性がある。

関連論文リスト

• Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
  イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。 機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
  論文  参考訳（メタデータ） (2024-04-29T13:05:59Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Forecasting Emergency Department Crowding with Advanced Machine Learning Models and Multivariable Input [8.294560133196807]
  救急部門(ED)の混雑は患者の安全にとって重大な脅威であり、死亡率の上昇と繰り返し関連付けられている。 1)高度な機械学習モデル(ML)の急激な流入により予測モデルが時代遅れになったこと,2)多変量入力データが制限されたこと,3)個別のパフォーマンス指標が報告されることは稀である。 我々は、N-BEATSとLightGBMがそれぞれ11%と9%の改善率でベンチマークを上回り、DeepARは翌日のAUCが0.76(95 % CI 0.69-0.84)になると予測していることを示す。
  論文  参考訳（メタデータ） (2023-08-31T08:34:20Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Predicting Intensive Care Unit Length of Stay and Mortality Using Patient Vital Signs: Machine Learning Model Development and Validation [0.22940141855172028]
  モデルは、インテリジェントな遠隔患者監視フレームワークのインテリジェントなicu患者監視モジュールで使用される。 集中治療(mimic)データベースのための公開医療情報マートを用いて,成人患者に対するicu滞在データを抽出した。 死亡率モデルに6mlアルゴリズムを適用して退院状況(生存の有無)の予測を行った。 滞在モデルの長さについて,2.64日間の中央値のICU滞在率を用いて,同じ6つのMLアルゴリズムをバイナリ分類に適用した。
  論文  参考訳（メタデータ） (2021-05-05T18:45:26Z)
• 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)
• Forecasting Emergency Department Capacity Constraints for COVID Isolation Beds [9.358404775024109]
  小児病院の救急部門に新たに設置された新型コロナウイルス関連の容量制限は、時間単位の予測ツールの開発を促した。 当院の定位率の予測には,ポイント予測と分類精度の両面で高い性能が得られた。 私たちは現在、医療従事者の能力向上を目標に、ツールをリアルタイムな設定に移行する作業を行っています。
  論文  参考訳（メタデータ） (2020-11-09T19:35:41Z)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• 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)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• A unified machine learning approach to time series forecasting applied to demand at emergency departments [1.7119367122421556]
  2019年にはイングランドの救急省(ED)に2560万人が出席しており、過去10年間で1200万人が出席した。 我々は,最高の演奏時系列と機械学習アプローチの結果を組み合わせた,新しいアンサンブル手法を開発した。 平均絶対誤差は, 平均絶対誤差が6.8%, 平均絶対誤差が8.6%であった。
  論文  参考訳（メタデータ） (2020-07-13T07:59:24Z)

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。