論文の概要: Optimizing Blood Transfusions and Predicting Shortages in Resource-Constrained Areas
- arxiv url: http://arxiv.org/abs/2506.12647v1
- Date: Sat, 14 Jun 2025 22:17:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:46.603151
- Title: Optimizing Blood Transfusions and Predicting Shortages in Resource-Constrained Areas
- Title（参考訳）: 資源制約地域における輸血の最適化と短縮予測
- Authors: El Arbi Belfarsi, Sophie Brubaker, Maria Valero,
- Abstract要約: ドナー患者と血液バンク選択のためのデータマッチングアルゴリズムと、血液受け入れデータを分析し、潜在的な不足を予測する機械学習手法を提案する。
近距離選択,血液型適合性,呼吸優先度,希少度スコアを組み込んだシステムに,ランダムなアロケーションから進行する血液バンク操作を最適化するシミュレーションを開発した。
将来の開発では、予測精度と最適化性能を改善するために現実世界の変数を組み込む予定である。
- 参考スコア（独自算出の注目度）: 0.36868085124383626
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Our research addresses the critical challenge of managing blood transfusions and optimizing allocation in resource-constrained regions. We present heuristic matching algorithms for donor-patient and blood bank selection, alongside machine learning methods to analyze blood transfusion acceptance data and predict potential shortages. We developed simulations to optimize blood bank operations, progressing from random allocation to a system incorporating proximity-based selection, blood type compatibility, expiration prioritization, and rarity scores. Moving from blind matching to a heuristic-based approach yielded a 28.6% marginal improvement in blood request acceptance, while a multi-level heuristic matching resulted in a 47.6% improvement. For shortage prediction, we compared Long Short-Term Memory (LSTM) networks, Linear Regression, and AutoRegressive Integrated Moving Average (ARIMA) models, trained on 170 days of historical data. Linear Regression slightly outperformed others with a 1.40% average absolute percentage difference in predictions. Our solution leverages a Cassandra NoSQL database, integrating heuristic optimization and shortage prediction to proactively manage blood resources. This scalable approach, designed for resource-constrained environments, considers factors such as proximity, blood type compatibility, inventory expiration, and rarity. Future developments will incorporate real-world data and additional variables to improve prediction accuracy and optimization performance.
- Abstract（参考訳）: 本研究は,輸血管理と資源制約領域の配分最適化における重要な課題について論じる。
ドナー患者と血液バンク選択のためのヒューリスティックマッチングアルゴリズムと、輸血受入データを分析し、潜在的な不足を予測するための機械学習手法を提案する。
近距離選択,血液型適合性,呼吸優先度,希少度スコアを組み込んだシステムに,ランダムなアロケーションから進行する血液バンク操作を最適化するシミュレーションを開発した。
ブラインドマッチングからヒューリスティックベースのアプローチに移行することで、血液要求の受け入れが28.6%改善し、マルチレベルヒューリスティックマッチングは47.6%改善した。
本稿では,Long Short-Term Memory (LSTM) ネットワーク,Linear Regression,AutoRegressive Integrated Average (ARIMA) モデルの比較を行った。
線形回帰は、予測の1.40%の平均絶対パーセンテージ差で、他よりもわずかに優れていた。
我々のソリューションはCassandra NoSQLデータベースを活用し、血液資源を積極的に管理するためにヒューリスティックな最適化と不足予測を統合する。
この拡張性のあるアプローチは、リソース制約のある環境のために設計されており、近接性、血液型適合性、在庫の有効期限、希少性などの要因を考慮に入れている。
将来の開発では、予測精度と最適化性能を改善するために、実世界のデータと追加変数を組み込む予定である。
関連論文リスト
- Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。
定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。
提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
論文 参考訳（メタデータ） (2025-05-18T21:46:45Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study [0.0]
本研究では,感染症の時系列予測を推し進める新たな深層学習フレームワークを提案する。
本フレームワークは6大陸24カ国の新型コロナウイルス19症例データに適用した。
論文 参考訳（メタデータ） (2025-03-17T04:41:26Z) - Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。
異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。
我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文 参考訳（メタデータ） (2023-05-02T14:34:34Z) - Survival Prediction of Children Undergoing Hematopoietic Stem Cell
Transplantation Using Different Machine Learning Classifiers by Performing
Chi-squared Test and Hyper-parameter Optimization: A Retrospective Analysis [4.067706269490143]
効率的な生存率分類モデルが包括的に提示される。
欠落した値を入力し、ダミー変数符号化を用いてデータを変換し、チ二乗特徴選択を用いて59個の特徴から11個の最も相関した特徴にデータセットを圧縮することにより、合成データセットを生成する。
この点に関しては、決定木(Decision Tree)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、グラディエントブースティング(Gradient Boosting)、Ada Boost(Ada Boost)、XG Boost(XG Boost)など、いくつかの教師付きML手法が訓練された。
論文 参考訳（メタデータ） (2022-01-22T08:01:22Z) - Predict then Interpolate: A Simple Algorithm to Learn Stable Classifiers [59.06169363181417]
Predict then Interpolate (PI) は環境全体にわたって安定な相関関係を学習するためのアルゴリズムである。
正しい予測と間違った予測の分布を補間することにより、不安定な相関が消えるオラクル分布を明らかにすることができる。
論文 参考訳（メタデータ） (2021-05-26T15:37:48Z) - 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) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - 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) - Optimization of Genomic Classifiers for Clinical Deployment: Evaluation
of Bayesian Optimization to Select Predictive Models of Acute Infection and
In-Hospital Mortality [0.0]
血液から特定の遺伝子の発現レベルを定量化することにより、患者の免疫反応を特徴づけることにより、両方のタスクを遂行する潜在的によりタイムリーで正確な手段を示す。
機械学習手法は、デプロイ対応の分類モデルの開発にこの‘ホスト応答’を活用するプラットフォームを提供する。
急性感染症の診断分類器の開発におけるHO法と29の診断マーカーの遺伝子発現による院内死亡率の比較を行った。
論文 参考訳（メタデータ） (2020-03-27T10:22:02Z)
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。