論文の概要: A Multi-Head Attention Soft Random Forest for Interpretable Patient No-Show Prediction

• arxiv url: http://arxiv.org/abs/2505.17344v1
• Date: Thu, 22 May 2025 23:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.734751
• Title: A Multi-Head Attention Soft Random Forest for Interpretable Patient No-Show Prediction
• Title（参考訳）: 解釈可能なノンショー予測のための多面的ソフトランダムフォレスト
• Authors: Ninda Nurseha Amalina, Kwadwo Boateng Ofori-Amanfo, Heungjo An,
• Abstract要約: 予定外の予定は、医療提供者と患者の健康の両方に悪影響を及ぼす。 本稿では,アテンション機構をランダムな森林モデルに統合するハイブリッド型マルチヘッドアテンションソフトランダムフォレストモデルを提案する。 このモデルは93.56%の精度、93.67%の精度、93.56%のリコール、93.59%のF1スコアを示し、決定木、ロジスティック回帰、ランダム森林、ナイーブベイズモデルを上回った。
• 参考スコア（独自算出の注目度）: 0.5461938536945723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unattended scheduled appointments, defined as patient no-shows, adversely affect both healthcare providers and patients' health, disrupting the continuity of care, operational efficiency, and the efficient allocation of medical resources. Accurate predictive modelling is needed to reduce the impact of no-shows. Although machine learning methods, such as logistic regression, random forest models, and decision trees, are widely used in predicting patient no-shows, they often rely on hard decision splits and static feature importance, limiting their adaptability to specific or complex patient behaviors. To address this limitation, we propose a new hybrid Multi-Head Attention Soft Random Forest (MHASRF) model that integrates attention mechanisms into a random forest model using probabilistic soft splitting instead of hard splitting. The MHASRF model assigns attention weights differently across the trees, enabling attention on specific patient behaviors. The model exhibited 93.56% accuracy, 93.67% precision, 93.56% recall, and a 93.59% F1 score, surpassing the performance of decision tree, logistic regression, random forest, and naive Bayes models. Furthermore, MHASRF was able to identify key predictors of patient no-shows using two levels of feature importance (tree level and attention mechanism level), offering deeper insights into patient no-show predictors. The proposed model is a robust, adaptable, and interpretable method for predicting patient no-shows that will help healthcare providers in optimizing resources.
• Abstract（参考訳）: 患者のノーショーとして定義された予定のない予定は、医療提供者と患者の健康の両方に悪影響を及ぼし、ケアの継続性、運用効率、医療資源の効率的な割り当てを阻害する。 ノーショーの影響を低減するためには、正確な予測モデリングが必要である。 ロジスティック回帰(英語版)、ランダム森林モデル(英語版)、決定木(英語版)といった機械学習手法は患者のノーショーを予測するのに広く用いられているが、それらはしばしば難しい決定分割と静的な特徴に頼り、特定のまたは複雑な患者の行動への適応性を制限する。 この制限に対処するため、我々は、ハードスプリッティングの代わりに確率的ソフトスプリッティングを用いて、注意機構をランダムフォレストモデルに統合するハイブリッドマルチヘッドアテンションソフトランダムフォレスト(MHASRF)モデルを提案する。 MHASRFモデルは、木全体に異なる注意重みを割り当て、特定の患者の行動に注意を向けることを可能にする。 このモデルは93.56%の精度、93.67%の精度、93.56%のリコール、93.59%のF1スコアを示し、決定木、ロジスティック回帰、ランダム森林、ナイーブベイズモデルを上回った。 さらに、MHASRFは2つの特徴レベル(ツリーレベルとアテンションメカニズムレベル)を用いて患者のノーショーの重要な予測因子を同定し、患者のノーショー予測に深い洞察を与えることができた。 提案したモデルは、医療提供者によるリソースの最適化に役立つ患者のノーショーを予測する、堅牢で適応性があり、解釈可能な方法である。

関連論文リスト

• Attention-enabled Explainable AI for Bladder Cancer Recurrence Prediction [0.4369058206183195]
  非浸潤性膀胱癌 (NMIBC) の再発率は70-80%まで上昇した。 各再発は、侵襲的な手順のカスケード、生涯にわたる監視、医療費の増大を引き起こす。 既存の臨床予測ツールには根本的な欠陥が残っており、しばしば再発リスクを過大評価する。
  論文  参考訳（メタデータ） (2025-04-30T20:39:33Z)
• Machine Learning Solutions Integrated in an IoT Healthcare Platform for Heart Failure Risk Stratification [3.952604803580729]
  慢性心不全(HF)の管理は、現代医療において重要な課題である。 本稿では,HFリスクのある患者を識別するための機械学習(ML)技術に基づく予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-07T14:07:05Z)
• Stroke Disease Classification Using Machine Learning with Feature Selection Techniques [1.6044444452278062]
  心臓病は世界中で致死率と死亡率の主要な原因である。 我々は,心臓病の分類を高度化するための特徴選択技術を備えた新しい投票システムを開発した。 XGBoostは、99%の精度、F1スコア、98%のリコール、100%のROC AUCを達成した。
  論文  参考訳（メタデータ） (2025-04-01T07:16:49Z)
• 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)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)

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。