論文の概要: Prediction accuracy versus rescheduling flexibility in elective surgery management

• arxiv url: http://arxiv.org/abs/2507.15566v2
• Date: Tue, 29 Jul 2025 14:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 12:52:36.805081
• Title: Prediction accuracy versus rescheduling flexibility in elective surgery management
• Title（参考訳）: 選択的手術管理における予測精度と再スケジュール柔軟性
• Authors: Pieter Smet, Martina Doneda, Ettore Lanzarone, Giuliana Carello,
• Abstract要約: 本稿では,LOS予測精度と様々な補正ポリシー間のフレキシビリティの再スケジューリングの関係について検討する。 ベッドオーバーフローを防止するため,LOS予測誤差に基づく最も効果的な患者の再スケジュール戦略について検討した。
• 参考スコア（独自算出の注目度）: 1.4249472316161877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The availability of downstream resources plays is critical in planning the admission of elective surgery patients. The most crucial one is inpatient beds. To ensure bed availability, hospitals may use machine learning (ML) models to predict patients' length-of-stay (LOS) in the admission planning stage. However, the real value of the LOS for each patient may differ from the predicted one, potentially making the schedule infeasible. To address such infeasibilities, it is possible to implement rescheduling strategies that take advantage of operational flexibility. For example, planners may postpone admission dates, relocate patients to different wards, or even transfer patients who are already admitted among wards. A straightforward assumption is that better LOS predictions can help reduce the impact of rescheduling. However, the training process of ML models that can make such accurate predictions can be very costly. Building on previous work that proposed simulated ML for evaluating data-driven approaches, this paper explores the relationship between LOS prediction accuracy and rescheduling flexibility across various corrective policies. Specifically, we examine the most effective patient rescheduling strategies under LOS prediction errors to prevent bed overflows while optimizing resource utilization
• Abstract（参考訳）: 下流の資源が利用できることは、選択的手術患者の入院を計画する上で重要である。 最も重要なのは病床である。 ベッドの可用性を確保するため、病院は機械学習(ML)モデルを使用して、入院計画段階で患者のLOSを予測することができる。 しかし、各患者に対するLOSの真価は予測値と異なり、スケジュールが実現不可能になる可能性がある。 このような不可能な問題に対処するために、運用の柔軟性を生かした再スケジューリング戦略を実装することができる。 例えば、プランナーは入院日を延期したり、異なる病棟に患者を移動させたり、既に病棟に入院している患者を移したりすることができる。 簡単な仮定は、より良いLOS予測は、再スケジュールの影響を低減するのに役立つ、ということです。 しかし、そのような正確な予測を行うことができるMLモデルのトレーニングプロセスは非常にコストがかかる可能性がある。 データ駆動型アプローチを評価するためのシミュレーションMLを提案する以前の研究に基づいて、LOS予測精度と様々な補正ポリシー間のフレキシビリティの再スケジューリングの関係について検討する。 具体的には、資源利用を最適化しつつ、ベッドオーバーフローを防止するため、LOS予測エラー下での最も効果的な患者の再スケジュール戦略について検討する。

関連論文リスト

• A meaningful prediction of functional decline in amyotrophic lateral sclerosis based on multi-event survival analysis [4.3399653291481215]
  筋萎縮性側索硬化症(Amyotrophic lateral sclerosis、ALS)は、進行性麻痺を引き起こす運動ニューロンの変性障害である。 本稿では,ALS患者が有意な機能障害を経験するまでの時間を予測するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-06-02T09:04:59Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• LLMs-based Few-Shot Disease Predictions using EHR: A Novel Approach Combining Predictive Agent Reasoning and Critical Agent Instruction [38.11497959553319]
  本研究では,構造化患者訪問データを自然言語物語に変換するための大規模言語モデルの適用可能性について検討する。 様々なERH予測指向のプロンプト戦略を用いて,LLMのゼロショット性能と少数ショット性能を評価した。 提案手法を用いることで,従来のERHによる疾患予測の教師付き学習法と比較して,LLMの精度は極めて低いことが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T18:10:13Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• 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)
• Holdouts set for safe predictive model updating [0.4499833362998489]
  リスクスコアによって導かれる介入を受けない集団のサブセットであるホールドアウトセット(holdout set)の使用を提案する。 予防接種前の症例数を最小化するためには,約1万件のホールドアウトセットを用いて実施することが最善であることを示す。
  論文  参考訳（メタデータ） (2022-02-13T18:04:00Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)

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。