論文の概要: Deep Learning-Based Forecasting of Boarding Patient Counts to Address ED Overcrowding

• arxiv url: http://arxiv.org/abs/2505.14765v1
• Date: Tue, 20 May 2025 17:35:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.684745
• Title: Deep Learning-Based Forecasting of Boarding Patient Counts to Address ED Overcrowding
• Title（参考訳）: 深層学習による患者数予測 : ED過密への対応
• Authors: Orhun Vural, Bunyamin Ozaydin, Khalid Y. Aram, James Booth, Brittany F. Lindsey, Abdulaziz Ahmed,
• Abstract要約: 本研究は,6時間前の救急病棟入所期間における患者数を予測するための深層学習モデルを構築した。 データは、ED追跡システム、入院患者の国勢調査記録、天気予報、連邦政府の祝日カレンダー、地元のイベントスケジュールの5つの情報源から収集された。 N-BEATSxは平均絶対誤差2.10、平均二乗誤差7.08、根平均二乗誤差2.66、決定係数0.95で最高の性能を達成した。
• 参考スコア（独自算出の注目度）: 2.3933684192993177
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study develops deep learning models to forecast the number of patients in the emergency department (ED) boarding phase six hours in advance, aiming to support proactive operational decision-making using only non-clinical, operational, and contextual features. Data were collected from five sources: ED tracking systems, inpatient census records, weather reports, federal holiday calendars, and local event schedules. After feature engineering, the data were aggregated at an hourly level, cleaned, and merged into a unified dataset for model training. Several time series deep learning models, including ResNetPlus, TSTPlus, TSiTPlus (from the tsai library), and N-BEATSx, were trained using Optuna and grid search for hyperparameter tuning. The average ED boarding count was 28.7, with a standard deviation of 11.2. N-BEATSx achieved the best performance, with a mean absolute error of 2.10, mean squared error of 7.08, root mean squared error of 2.66, and a coefficient of determination of 0.95. The model maintained stable accuracy even during periods of extremely high boarding counts, defined as values exceeding one, two, or three standard deviations above the mean. Results show that accurate six-hour-ahead forecasts are achievable without using patient-level clinical data. While strong performance was observed even with a basic feature set, the inclusion of additional features improved prediction stability under extreme conditions. This framework offers a practical and generalizable approach for hospital systems to anticipate boarding levels and help mitigate ED overcrowding.
• Abstract（参考訳）: 本研究は,非臨床的,操作的,文脈的特徴のみを用いて,積極的かつ積極的な業務意思決定を支援することを目的として,緊急部(ED)搭乗期間の患者数を6時間前に予測する深層学習モデルを開発した。 データは、ED追跡システム、入院患者の国勢調査記録、天気予報、連邦政府の祝日カレンダー、地元のイベントスケジュールの5つの情報源から収集された。 機能エンジニアリングの後、データは1時間単位で集約され、クリーン化され、モデルトレーニングのための統合データセットにマージされた。 ResNetPlus、TSTPlus、TSiTPlus(tsaiライブラリ)、N-BEATSxなどの時系列ディープラーニングモデルは、Optunaを用いてトレーニングされ、ハイパーパラメータチューニングのためのグリッドサーチが行われた。 ED搭乗数の平均は28.7で、標準偏差は11.2である。 N-BEATSxは平均絶対誤差2.10、平均二乗誤差7.08、根平均二乗誤差2.66、決定係数0.95で最高の性能を達成した。 モデルでは, ボード数が非常に高い期間においても, 平均よりも1, 2, 3の標準偏差を超える値として, 安定した精度を維持した。 その結果,患者レベルの臨床データを使わずに,正確な6時間頭予測が達成できることが示唆された。 基本機能セットでも高い性能が得られたが, 追加機能を含めることで, 極端な条件下での予測安定性が向上した。 この枠組みは、病院システムの搭乗レベルを予測し、ED過密を緩和するための実用的で一般化可能なアプローチを提供する。

関連論文リスト

• An Artificial Intelligence-Based Framework for Predicting Emergency Department Overcrowding: Development and Evaluation Study [2.3933684192993177]
  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。
  論文  参考訳（メタデータ） (2025-04-23T00:23:13Z)
• Predicting Emergency Department Visits for Patients with Type II Diabetes [10.522637839993807]
  3000万人以上のアメリカ人がII型糖尿病(T2D)に罹患している。 本研究の目的は、機械学習(ML)技術を用いて、T2D患者の救急部門(ED)訪問を推定する予測モデルの開発と評価である。
  論文  参考訳（メタデータ） (2024-12-12T06:37:32Z)
• Analyzing the Variations in Emergency Department Boarding and Testing the Transferability of Forecasting Models across COVID-19 Pandemic Waves in Hong Kong: Hybrid CNN-LSTM approach to quantifying building-level socioecological risk [0.2985164765599213]
  救急部門(ED)の搭乗は、患者の予後不良と健康システムのパフォーマンスに関連付けられている。 しかし、新型コロナウイルス(COVID-19)に先立って効果的な予測モデルは稀であり、近日中には欠落している。 ここでは、香港の病院局、保健省、住宅局から得られたパブリックドメインデータに対して、ハイブリッド畳み込みニューラルネットワーク(CNN)-Long短期記憶(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2024-03-17T11:48:40Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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)
• 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。