論文の概要: Optimal patient allocation for echocardiographic assessments

• arxiv url: http://arxiv.org/abs/2506.06297v1
• Date: Sat, 17 May 2025 17:51:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.032318
• Title: Optimal patient allocation for echocardiographic assessments
• Title（参考訳）: 心エコー検査における最適な患者配置
• Authors: Bozhi Sun, Seda Tierney, Jeffrey A. Feinstein, Frederick Damen, Alison L. Marsden, Daniele E. Schiavazzi,
• Abstract要約: 我々は,患者のノショー確率を推定し,到着時間と受験期間の経験的分布を導出する。 我々は,SimPyを用いて離散イベントシミュレーションモデルを開発し,オープンソースPythonライブラリと統合する。 胎児と非胎児の比1:6、胎児と非胎児の比4:2の病院構成を考えると、オン・ザ・フライアロケーションは一般的により優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scheduling echocardiographic exams in a hospital presents significant challenges due to non-deterministic factors (e.g., patient no-shows, patient arrival times, diverse exam durations, etc.) and asymmetric resource constraints between fetal and non-fetal patient streams. To address these challenges, we first conducted extensive pre-processing on one week of operational data from the Echo Laboratory at Stanford University's Lucile Packard Children's Hospital, to estimate patient no-show probabilities and derive empirical distributions of arrival times and exam durations. Based on these inputs, we developed a discrete-event stochastic simulation model using SimPy, and integrate it with the open source Gymnasium Python library. As a baseline for policy optimization, we developed a comparative framework to evaluate on-the-fly versus reservation-based allocation strategies, in which different proportions of resources are reserved in advance. Considering a hospital configuration with a 1:6 ratio of fetal to non-fetal rooms and a 4:2 ratio of fetal to non-fetal sonographers, we show that on-the-fly allocation generally yields better performance, more effectively adapting to patient variability and resource constraints. Building on this foundation, we apply reinforcement learning (RL) to derive an approximated optimal dynamic allocation policy. This RL-based policy is benchmarked against the best-performing rule-based strategies, allowing us to quantify their differences and provide actionable insights for improving echo lab efficiency through intelligent, data-driven resource management.
• Abstract（参考訳）: 病院における心エコー検査は、非決定性要因(例えば、患者のノーショー、患者到着時間、多彩な試験期間など)と胎児と胎児のストリーム間の非対称なリソース制約による重要な課題を呈する。 これらの課題に対処するため,我々はまず,スタンフォード大学ルシルパッカード小児病院のエコー実験室から1週間の手術データを用いて,患者のノショー確率を推定し,到着時間と受験期間の経験的分布を導出する広範囲な前処理を行った。 これらの入力に基づいて,SimPyを用いた離散時間確率シミュレーションモデルを開発し,オープンソースのPythonライブラリであるGymnasiumと統合した。 政策最適化のベースラインとして,資源の比率が予め設定されているオン・ザ・フライと予約ベースのアロケーション戦略を比較検討するフレームワークを開発した。 胎児と胎児の比が1:6、胎児と胎児の比が4:2であることを考えると、オンザフライアロケーションは一般的にパフォーマンスが良く、患者の変動性やリソース制約に適応できることを示す。 この基礎の上に構築され、近似された最適動的割当ポリシーを導出するために強化学習(RL)を適用した。 このRLベースのポリシーは、最も優れたルールベースの戦略に対してベンチマークされ、それらの違いを定量化し、インテリジェントでデータ駆動型のリソース管理を通じてエコーラボの効率を改善するための実用的な洞察を提供する。

関連論文リスト

• A Hybrid Data-Driven Approach For Analyzing And Predicting Inpatient Length Of Stay In Health Centre [0.0]
  本研究は,患者フローの最適化のためのオール・エンコンパス・フレームワークを提案する。 我々は、230万件の未確認患者記録の包括的なデータセットを用いて、人口統計、診断、治療、サービス、費用、料金を分析した。 本モデルでは,患者の入院時間(LoS)を教師付き学習アルゴリズムを用いて予測する。
  論文  参考訳（メタデータ） (2025-01-30T18:01:48Z)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
  デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。 患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。 患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-21T21:42:03Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis [9.659041001051415]
  我々はフェデプゼウドと呼ばれるフェデレーションサバイバル分析のための擬似値ベース深層学習モデルを提案する。 提案するFLフレームワークは,最良に訓練された深層生存分析モデルと同等の性能を達成している。
  論文  参考訳（メタデータ） (2022-07-12T01:10:36Z)
• Continuous Treatment Recommendation with Deep Survival Dose Response Function [3.705291460388999]
  臨床生存データを用いた環境下での継続的治療推奨問題に対する一般的な定式化を提案する。 DeepSDRFによる処理効果の推定により,選択バイアスを補正したレコメンデータアルゴリズムの開発が可能となる。 医学的文脈における観察データによる継続的な治療効果に因果モデルが使用されるのは、これが初めてである。
  論文  参考訳（メタデータ） (2021-08-24T00:19:04Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。