論文の概要: BedreFlyt: Improving Patient Flows through Hospital Wards with Digital Twins
- arxiv url: http://arxiv.org/abs/2505.06287v1
- Date: Wed, 07 May 2025 11:23:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:48.745907
- Title: BedreFlyt: Improving Patient Flows through Hospital Wards with Digital Twins
- Title（参考訳）: BedreFlyt:デジタル双生児による病棟内の流れ改善
- Authors: Riccardo Sieve, Paul Kobialka, Laura Slaughter, Rudolf Schlatte, Einar Broch Johnsen, Silvia Lizeth Tapia Tarifa,
- Abstract要約: デジタル双生児は、短期的な意思決定と、多くのドメインにわたる長期的な戦略的計画のための貴重なツールとして現れています。
本報告では, 病院における院内ニーズに対する資源計画の充実を図るために, ディジタルツインを設計する取り組みについて報告する。
- 参考スコア（独自算出の注目度）: 0.7861658422650839
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital twins are emerging as a valuable tool for short-term decision-making as well as for long-term strategic planning across numerous domains, including process industry, energy, space, transport, and healthcare. This paper reports on our ongoing work on designing a digital twin to enhance resource planning, e.g., for the in-patient ward needs in hospitals. By leveraging executable formal models for system exploration, ontologies for knowledge representation and an SMT solver for constraint satisfiability, our approach aims to explore hypothetical "what-if" scenarios to improve strategic planning processes, as well as to solve concrete, short-term decision-making tasks. Our proposed solution uses the executable formal model to turn a stream of arriving patients, that need to be hospitalized, into a stream of optimization problems, e.g., capturing daily inpatient ward needs, that can be solved by SMT techniques. The knowledge base, which formalizes domain knowledge, is used to model the needed configuration in the digital twin, allowing the twin to support both short-term decision-making and long-term strategic planning by generating scenarios spanning average-case as well as worst-case resource needs, depending on the expected treatment of patients, as well as ranging over variations in available resources, e.g., bed distribution in different rooms. We illustrate our digital twin architecture by considering the problem of bed bay allocation in a hospital ward.
- Abstract（参考訳）: デジタル双生児は、短期的な意思決定や、プロセス産業、エネルギー、宇宙、輸送、医療など、さまざまな分野にわたる長期的な戦略的計画のための貴重なツールとして浮上している。
本報告では, 病院内病棟における資源計画の充実を図るために, ディジタルツインを設計する取り組みについて報告する。
システム探索のための実行可能な形式モデル,知識表現のためのオントロジー,制約満足度のためのSMTソルバを活用することにより,戦略的計画プロセスを改善するための仮説的「What-if」シナリオを探索し,具体的かつ短期的な意思決定タスクの解決を目指す。
提案手法は, 患者を入院させる必要のある患者列を, SMT法で解決可能な日常的入院病棟のニーズの把握など, 最適化問題のストリームに変換するために, 実行可能な形式モデルを用いている。
ドメイン知識を形式化した知識ベースは、デジタル双生児の必要な構成をモデル化するために使用され、平均ケースと最悪のリソースニーズにまたがるシナリオを発生させることで、短期的な意思決定と長期的な戦略的計画の両方をサポートする。
病院病棟におけるベッドベイ配置の問題を考慮したディジタルツインアーキテクチャについて解説する。
関連論文リスト
- Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。
これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。
既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。
第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文 参考訳（メタデータ） (2025-01-30T06:49:57Z) - Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response [41.94295877935867]
我々は,空間的かつ人口統計学的に解決された伝染病のメタポピュレーションモデルを構築し,パンデミックの予防接種期を表すデータセットのためのグラフニューラルネットワークを訓練する。
このアプローチはオンザフライ実行に大きな可能性をもたらし、パンデミックの意思決定に使用するローバリアWebアプリケーションへの統合を容易にする。
論文 参考訳（メタデータ） (2024-11-10T15:54:09Z) - Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。
これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。
我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
論文 参考訳（メタデータ） (2024-11-03T07:01:13Z) - A digital twin framework for civil engineering structures [0.6249768559720122]
デジタルツインの概念は、条件ベースの予測保守パラダイムを前進させる魅力的な機会である。
本研究は, 土木構造物の健康モニタリング, 保守, 管理計画に対する予測的ディジタルツインアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-02T21:38:36Z) - Digital Twins for Patient Care via Knowledge Graphs and Closed-Form
Continuous-Time Liquid Neural Networks [0.0]
デジタル双生児は、製造業、サプライチェーンのロジスティクス、土木インフラなどの産業で急速に勢いを増している。
マルチモーダル患者データを用いた複雑な疾患のモデル化の課題と、その解析の複雑さは、生体医療分野におけるデジタル双生児の採用を阻害している。
本稿では,計算コストとモデリング複雑さによる臨床双対モデリングの障壁に対処する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-07-08T12:52:31Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Predictive Modeling of Hospital Readmission: Challenges and Solutions [11.954966895950163]
退院予測とは、退院後30日または90日後に患者が退院する確率を予測するために、歴史的な医療データからモデルを学ぶ研究である。
その動機は、医療提供者がより良い治療と退院戦略を提供し、病院の入院率を下げ、最終的には医療費を下げることである。
疾患や医療のエコシステムが本質的に複雑化しているため、病院の入院のモデル化は多くの課題に直面している。
論文 参考訳（メタデータ） (2021-06-16T00:00:27Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳（メタデータ） (2021-05-16T12:38:35Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z)
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。