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

• arxiv url: http://arxiv.org/abs/2505.14765v2
• Date: Thu, 10 Jul 2025 22:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 14:01:05.775462
• 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, James Booth, Brittany F. Lindsey, Abdulaziz Ahmed,
• Abstract要約: 本研究は,緊急時の乗車時間を予測するための,深層学習に基づく枠組みを提案する。 このフレームワークは、極端な期間を含む搭乗数を正確に予測し、より広い入力特徴が予測精度を向上させることを示した。
• 参考スコア（独自算出の注目度）: 1.4874770738536844
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study presents a deep learning-based framework for predicting emergency department (ED) boarding counts six hours in advance using only operational and contextual data, without patient-level information. Data from ED tracking systems, inpatient census, weather, holidays, and local events were aggregated hourly and processed with comprehensive feature engineering. The mean ED boarding count was 28.7 (standard deviation = 11.2). Multiple deep learning models, including ResNetPlus, TSTPlus, and TSiTPlus, were trained and optimized using Optuna, with TSTPlus achieving the best results (mean absolute error = 4.30, mean squared error = 29.47, R2 = 0.79). The framework accurately forecasted boarding counts, including during extreme periods, and demonstrated that broader input features improve predictive accuracy. This approach supports proactive hospital management and offers a practical method for mitigating ED overcrowding.
• Abstract（参考訳）: 本研究は,患者レベルの情報を用いずに,運用データとコンテキストデータのみを用いて,救急部門(ED)の搭乗時間を事前に6時間予測するためのディープラーニングベースのフレームワークを提案する。 ED追跡システム、入院患者の国勢調査、天候、休日、地域イベントのデータを1時間単位で集計し、総合的な特徴工学で処理した。 ED搭乗数の平均は28.7(標準偏差=11.2)である。 ResNetPlus、TSTPlus、TSiTPlusを含む複数のディープラーニングモデルは、Optunaを使用して訓練され、最適化され、TSTPlusは最良の結果(平均絶対誤差=4.30、平均二乗誤差=29.47、R2 = 0.79)を達成した。 このフレームワークは、極端な期間を含む搭乗数を正確に予測し、より広い入力特徴が予測精度を向上させることを示した。 本手法は, 積極的病院管理を支援するとともに, ED過密を緩和するための実践的方法を提供する。

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)
• Enhancing PTSD Outcome Prediction with Ensemble Models in Disaster Contexts [0.9249657468385778]
  外傷後ストレス障害(PTSD)は、外傷性事象に曝される個人に影響を与える重要な精神疾患である。 PTSDの早期発見と効果的な介入は、治療を受けなければ長期の心理的苦痛につながる可能性があるため、極めて重要である。
  論文  参考訳（メタデータ） (2024-11-16T01:44:43Z)
• 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)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• 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)
• Length of Stay prediction for Hospital Management using Domain Adaptation [0.2624902795082451]
  入院期間 (LoS) は, 入院の効率的な計画, リソースの割り当て, ケアの改善に利用することができる重要な管理指標である。 過去の患者データと機械学習技術を用いて、LoS予測モデルを開発することができる。 倫理的には、これらのモデルは単位頭部の代わりに患者の退院には使用できないが、効果的な病院計画のための病院管理システムには最も必要である。
  論文  参考訳（メタデータ） (2023-06-29T09:58:21Z)
• Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral Therapy: A Minimally Data-Sensitive Approach [59.535699822923]
  インターネット提供型心理的治療(IDPT)は、メンタルヘルスのアクセシビリティを向上させるための効果的でスケーラブルな経路であると考えられている。 本研究は,最小限の敏感なログイン/ログアウトデータに依存しながら,自動アドバンス予測を行うディープラーニングアプローチを提案する。 提案されたセルフアテンションネットワークは、治療期間の1/3が経過した時点で、平均的バランスの正確さを70%以上達成した。
  論文  参考訳（メタデータ） (2022-01-11T13:55:57Z)
• 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)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Modeling patient flow in the emergency department using machine learning and simulation [0.0]
  本稿では,緊急部(ED)内の患者フローを改善するため,シミュレーションにおける機械学習(ML)の新たな応用について述べる。 実際のEDシミュレーションモデル内で使用したMLモデルを用いて、患者をEDから遠ざけることが滞在時間(LOS)と退院時間(DTDT)に及ぼす影響を定量化する 使用済みのポリシーと特定のEDリソースを追加することで、それぞれ LOS と DTDT の 9.39% と 8.18% の削減が達成される。
  論文  参考訳（メタデータ） (2020-11-22T17:42:53Z)
• 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)
• Predicting Training Time Without Training [120.92623395389255]
  我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。 我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。 トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
  論文  参考訳（メタデータ） (2020-08-28T04:29:54Z)
• 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)
• Towards a Fast Steady-State Visual Evoked Potentials (SSVEP) Brain-Computer Interface (BCI) [46.83815094477545]
  本研究では,空間フィルタと時間的アライメント(CSTA)を組み合わせて,サブ秒応答時間におけるSSVEP応答を認識する訓練自由手法を提案する。 CSTAは、定常応答と相補的な融合を伴う刺激テンプレートの線形相関と非線形類似性を利用して、良好な性能向上を実現する。
  論文  参考訳（メタデータ） (2020-02-04T08:48:36Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。