論文の概要: Optimizing Clinical Fall Risk Prediction: A Data-Driven Integration of EHR Variables with the Johns Hopkins Fall Risk Assessment Tool

• arxiv url: http://arxiv.org/abs/2510.20714v1
• Date: Thu, 23 Oct 2025 16:31:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.416917
• Title: Optimizing Clinical Fall Risk Prediction: A Data-Driven Integration of EHR Variables with the Johns Hopkins Fall Risk Assessment Tool
• Title（参考訳）: 臨床転倒リスク予測の最適化: EHR変数とJohns Hopkins転倒リスク評価ツールのデータ駆動統合
• Authors: Fardin Ganjkhanloo, Emmett Springer, Erik H. Hoyer, Daniel L. Young, Kimia Ghobadi,
• Abstract要約: 我々は,Johns Hopkins Fall Risk Assessment Toolの転倒リスク予測を臨床的に意味のある指標と整合させることを目標としている。 当院では,ジョンズ・ホプキンス病院3病院から54,209人の入院患者について振り返り分析を行った。
• 参考スコア（独自算出の注目度）: 0.059313275041517295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study we aim to better align fall risk prediction from the Johns Hopkins Fall Risk Assessment Tool (JHFRAT) with additional clinically meaningful measures via a data-driven modelling approach. We conducted a retrospective analysis of 54,209 inpatient admissions from three Johns Hopkins Health System hospitals between March 2022 and October 2023. A total of 20,208 admissions were included as high fall risk encounters, and 13,941 were included as low fall risk encounters. To incorporate clinical knowledge and maintain interpretability, we employed constrained score optimization (CSO) models on JHFRAT assessment data and additional electronic health record (EHR) variables. The model demonstrated significant improvements in predictive performance over the current JHFRAT (CSO AUC-ROC=0.91, JHFRAT AUC-ROC=0.86). The constrained score optimization models performed similarly with and without the EHR variables. Although the benchmark black-box model (XGBoost), improves upon the performance metrics of the knowledge-based constrained logistic regression (AUC-ROC=0.94), the CSO demonstrates more robustness to variations in risk labelling. This evidence-based approach provides a robust foundation for health systems to systematically enhance inpatient fall prevention protocols and patient safety using data-driven optimization techniques, contributing to improved risk assessment and resource allocation in healthcare settings.
• Abstract（参考訳）: 本研究では,Johns Hopkins Fall Risk Assessment Tool (JHFRAT) の転倒リスク予測を,データ駆動型モデリングアプローチによる追加の臨床的に有意な指標と整合させることを目的としている。 2022年3月から2023年10月までにジョンズ・ホプキンス・ヘルス・システム3病院で54,209人の入院患者について振り返り分析を行った。 合計20,208人が高い転倒リスク遭遇、13,941人が低い転倒リスク遭遇となった。 臨床知識を取り入れ,解釈可能性を維持するために,JHFRATアセスメントデータと電子健康記録(EHR)変数に制約スコア最適化(CSO)モデルを適用した。 このモデルは現在のJHFRAT(CSO AUC-ROC=0.91、JHFRAT AUC-ROC=0.86)よりも予測性能が大幅に向上した。 制約付きスコア最適化モデルはEHR変数と同等に実行された。 ベンチマークブラックボックスモデル(XGBoost)は知識に基づく制約付きロジスティック回帰(AUC-ROC=0.94)のパフォーマンス指標を改善するが、CSOはリスクラベルのバリエーションに対してより堅牢性を示す。 このエビデンスベースのアプローチは、医療システムに対して、データ駆動最適化技術を用いて、患者の転倒防止プロトコルと患者の安全を体系的に強化する堅牢な基盤を提供し、医療環境におけるリスクアセスメントとリソースアロケーションの改善に寄与する。

関連論文リスト

• Beyond Reactive Safety: Risk-Aware LLM Alignment via Long-Horizon Simulation [69.63626052852153]
  本稿では,モデル生成によるアドバイスが社会システムを通じてどのように伝播するかを示す概念実証フレームワークを提案する。 また、100の間接的な害シナリオのデータセットを導入し、害のないユーザプロンプトから有害で非有害な結果を予測するモデルの能力をテストする。
  論文  参考訳（メタデータ） (2025-06-26T02:28:58Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Foundation Model of Electronic Medical Records for Adaptive Risk Estimation [6.248030496243407]
  ETHOSは幅広いアプリケーションを開発するための多用途フレームワークである。 ARESは、臨床が定義した臨界事象に対するダイナミックでパーソナライズされたリスク確率を計算するためにETHOSを使用する。 ARESはパーソナライズされた説明可能性モジュールも備えており、リスク見積に影響を与える重要な臨床要因を強調している。
  論文  参考訳（メタデータ） (2025-02-10T03:22:39Z)
• 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)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)
• 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)
• 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。