論文の概要: When Patients Go to "Dr. Google" Before They Go to the Emergency Department

• arxiv url: http://arxiv.org/abs/2510.03329v1
• Date: Wed, 01 Oct 2025 18:26:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.835865
• Title: When Patients Go to "Dr. Google" Before They Go to the Emergency Department
• Title（参考訳）: 救急部に行く前に「Dr. Google」に行くとき
• Authors: Michael A Grasso, Alexandra Rogalski, Naveed Farrukh, Anantaa Kotal, Enrique Calleros,
• Abstract要約: 成人の3分の1が救急部(ED)を訪問する前に健康情報を求めてインターネットを検索する 発見は、不正確な健康情報が不一致の期待に寄与し、ケア提供が変更されたことを示唆している。
• 参考スコア（独自算出の注目度）: 37.03225953494829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Approximately one-third of adults search the internet for health information before visiting an emergency department (ED), with 75% encountering inaccurate content. This study examines how such searches influence patient care. We conducted an observational study of ED visits over a 12-month period, surveying 214 of 576 patients about pre-ED internet use. Data on demographics, comorbidities, acuity, orders, prescriptions, and dispositions were extracted. Patients who searched were typically younger, healthier, and more educated. Most used a general search engine to ask symptom-related questions. Compared to non-searchers, they were less likely to receive lab tests (RR 0.78, p=0.053), imaging (RR 0.75, p=0.094), medications (RR 0.67, p=0.038), or admission (RR 0.68, p=0.175). They were more likely to leave against medical advice (RR 1.67, p=0.067) and receive opioids (RR 1.56, p=0.151). Findings suggest inaccurate health information may contribute to mismatched expectations and altered care delivery.
• Abstract（参考訳）: 成人の約3分の1が救急部(ED)を訪れる前に健康情報を求めてインターネットを検索しており、75%が不正確なコンテンツに遭遇している。 本研究では,そのような検索が患者のケアにどのように影響するかを検討する。 576例中214例を対象に,12カ月間のED訪問調査を行った。 人口統計,包括性,明度,注文,処方,処分に関するデータを抽出した。 調査を受けた患者は、典型的には若く、健康的で、より教育を受けていた。 殆どの人は、症状に関連する質問に一般的な検索エンジンを使った。 非研究者と比較して、実験室での検査(RR 0.78, p=0.053)、イメージング(RR 0.75, p=0.094)、薬物(RR 0.67, p=0.038)、入院(RR 0.68, p=0.175)は少ない。 彼らは医療アドバイス(RR 1.67, p=0.067)に反し、オピオイド(RR 1.56, p=0.151)を受け取る傾向にあった。 発見は、不正確な健康情報が不一致の期待に寄与し、ケア提供が変更されたことを示唆している。

関連論文リスト

• AI-driven Prediction of Insulin Resistance in Normal Populations: Comparing Models and Criteria [12.96699656980563]
  インスリン抵抗性(IR)は糖尿病の主要な前駆体であり、心血管疾患の重要な危険因子である。 我々は,非糖尿病集団において,血糖値の高速化だけでIRを予測できる簡単なAIモデルを開発した。 NHANES (1999-2020) とCHARLS研究のデータは、モデルトレーニングと検証に使用された。 CatBoost アルゴリズムは NHANES において 0.8596 (HOMA-IR) と 0.7777 (TyG index) の AUC を達成し、外部の AUC は 0.7442 である。 METS-IR予測では、AUCの0.9731(内部値)を達成した。
  論文  参考訳（メタデータ） (2025-03-07T03:32:52Z)
• 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)
• Explainable Machine Learning for ICU Readmission Prediction [0.10071153797668914]
  集中治療ユニット(ICU)は、複雑な病院環境を含む。 この環境における不確かで競合し、計画されていない側面は、ケアパスを均一に実施することの難しさを増大させる。 いくつかのユーティリティーは患者の医療情報を通じて寛解を予測しようと試みている。 この研究は、多中心データベース上で患者の寛容をモデル化するための標準化された、説明可能な機械学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-25T00:16:43Z)
• Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
  本稿では,Re$3$Writer法を提案する。 本手法が患者の退院指示生成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:34:39Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Why Interpretable Causal Inference is Important for High-Stakes Decision Making for Critically Ill Patients and How To Do It [80.24494623756839]
  重症心身障害患者に対する因果関係評価のための枠組みを提案する。 この枠組みは、脳の発作やその他の潜在的に有害な電気的事象が結果に与える影響に適用する。
  論文  参考訳（メタデータ） (2022-03-09T18:03:35Z)
• Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
  MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2021-05-05T05:51:30Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• Detecting hidden signs of diabetes in external eye photographs [3.0972826606740558]
  眼前部の外部写真は、糖尿病性網膜疾患や血糖コントロールに関する洞察を明らかにすることができる。 糖尿病患者145,832人の外眼写真を用いた深層学習システム(DLS)を開発した。 以上の結果から, 糖尿病患者の医療提供者にとって, 外部視線写真は有用な情報を含んでいることが示唆された。
  論文  参考訳（メタデータ） (2020-11-23T21:14:34Z)
• Patient ADE Risk Prediction through Hierarchical Time-Aware Neural Network Using Claim Codes [5.288589720985491]
  本研究の目的は、クレームコードに記録された患者医療履歴に基づいて、標的薬剤が標的患者に誘導するパーソナライズされたADEリスクを評価することである。 我々は,クレームコードの特徴とそれらの関係を捉えるHTNNRモデル(階層的時間認識ニューラルネットワーク for ADE Risk)を開発した。
  論文  参考訳（メタデータ） (2020-08-20T13:24:54Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)

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。