論文の概要: Associating Healthcare Teamwork with Patient Outcomes for Predictive Analysis
- arxiv url: http://arxiv.org/abs/2512.03296v1
- Date: Tue, 02 Dec 2025 23:16:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-04 20:02:55.039986
- Title: Associating Healthcare Teamwork with Patient Outcomes for Predictive Analysis
- Title（参考訳）: 予測分析のための医療チームと患者の成果の関連付け
- Authors: Hsiao-Ying Lu, Kwan-Liu Ma,
- Abstract要約: 我々は,ERHを介するHCPインタラクションをネットワークとしてモデル化し,これらのコラボレーションに埋め込まれた患者生存の予測信号を検出するために機械学習技術を適用した。
この作業は、コラボレーションとAIのデジタルトレースを活用して、チームベースのヘルスケアを評価し改善するための実践的なワークフローに寄与する。
- 参考スコア（独自算出の注目度）: 20.239131886506538
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cancer treatment outcomes are influenced not only by clinical and demographic factors but also by the collaboration of healthcare teams. However, prior work has largely overlooked the potential role of human collaboration in shaping patient survival. This paper presents an applied AI approach to uncovering the impact of healthcare professionals' (HCPs) collaboration-captured through electronic health record (EHR) systems-on cancer patient outcomes. We model EHR-mediated HCP interactions as networks and apply machine learning techniques to detect predictive signals of patient survival embedded in these collaborations. Our models are cross validated to ensure generalizability, and we explain the predictions by identifying key network traits associated with improved outcomes. Importantly, clinical experts and literature validate the relevance of the identified crucial collaboration traits, reinforcing their potential for real-world applications. This work contributes to a practical workflow for leveraging digital traces of collaboration and AI to assess and improve team-based healthcare. The approach is potentially transferable to other domains involving complex collaboration and offers actionable insights to support data-informed interventions in healthcare delivery.
- Abstract（参考訳）: がん治療の結果は、臨床および統計学的要因だけでなく、医療チームの協力にも影響される。
しかしながら、先行研究は、患者の生存を形作る上での人間の協力の潜在的な役割を概ね見落としている。
本稿では,医療従事者(HCPs)ががん患者に対する電子健康記録(EHR)システムを通して収集したコラボレーションの効果を明らかにするために,応用AIアプローチを提案する。
我々は,ERHを介するHCPインタラクションをネットワークとしてモデル化し,これらのコラボレーションに埋め込まれた患者生存の予測信号を検出するために機械学習技術を適用した。
我々のモデルは、一般化可能性を確保するために横断的検証を行い、改善された結果に関連する主要なネットワーク特性を特定することによって予測を説明する。
重要なことは、臨床の専門家と文献が、特定された重要なコラボレーション特性の関連性を検証し、現実の応用の可能性を強化することである。
この作業は、コラボレーションとAIのデジタルトレースを活用して、チームベースのヘルスケアを評価し改善するための実践的なワークフローに寄与する。
このアプローチは、複雑なコラボレーションを含む他のドメインに転送可能であり、医療提供におけるデータインフォームド介入をサポートするための実用的な洞察を提供する。
関連論文リスト
- Exploring AI-Augmented Sensemaking of Patient-Generated Health Data: A Mixed-Method Study with Healthcare Professionals in Cardiac Risk Reduction [10.518626161486548]
本稿では,患者生成健康データ(PGHD)の自動要約と自然言語データ探索によって,大規模言語モデル(LLM)がいかにして患者生成健康データ(PGHD)の認識を支援するかを示す。
発見によると、AIの要約は、探索を固定する素早い概要を提供し、会話の相互作用はフレキシブルな分析とブリッジされたデータリテラシーギャップを支持した。
論文 参考訳（メタデータ） (2026-02-05T14:11:34Z) - Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。
構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。
臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
論文 参考訳（メタデータ） (2025-12-09T05:37:54Z) - Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。
このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。
このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
論文 参考訳（メタデータ） (2025-10-24T15:56:40Z) - Federated Data Analytics for Cancer Immunotherapy: A Privacy-Preserving Collaborative Platform for Patient Management [0.03262230127283451]
コネクテッドヘルスは、健康管理に焦点を当てた多分野のアプローチである。
データ分析は、インフォームドな意思決定とヘルス共同創造に重要な洞察を与えることができる。
本論文は,介護連続体全体にわたる利害関係者の統合を目的とした協調的デジタルフレームワークに寄与する。
論文 参考訳（メタデータ） (2025-10-10T08:57:41Z) - Mitigating Clinician Information Overload: Generative AI for Integrated EHR and RPM Data Analysis [0.523377539745706]
生成人工知能(GenAI)の能力・要件・応用の概要を概観する。
患者データ,すなわちリアルタイム遠隔患者モニタリング(RPM)ストリームと従来の電子健康記録(EHR)の形式と情報源について,まず背景を述べる。
これらのアプリケーションは、縦断的患者のデータのナビゲーションを強化し、自然言語対話による実用的な臨床診断支援を提供する。
論文 参考訳（メタデータ） (2025-08-26T17:10:21Z) - Designing AI Tools for Clinical Care Teams to Support Serious Illness Conversations with Older Adults in the Emergency Department [53.52248484568777]
この研究は、EDベースの重篤な病的会話の実証的な理解に貢献し、ハイテイクな臨床環境におけるAIの設計上の考察を提供する。
専門医2名と専門医9名を対象にインタビューを行った。
我々は4段階の重篤な会話ワークフロー(識別、準備、伝導、文書化)を特徴とし、各段階における重要なニーズと課題を特定した。
既存の臨床実践に適合するSICをサポートするAIツールの設計ガイドラインを提示する。
論文 参考訳（メタデータ） (2025-05-30T21:15:57Z) - Toward a Human-Centered AI-assisted Colonoscopy System in Australia [12.548421709213379]
現在の開発は機械学習モデルのパフォーマンスを優先し、ユーザインターフェース設計、ワークフロー統合、全体的なユーザエクスペリエンスの重要な側面を見越している。
AIの可能性を最大限に実現するために、HCIコミュニティは、ユーザ中心の設計を擁護し、これらのシステムを確実に使用し、内科医の専門知識をサポートし、患者の成果を高める必要がある。
論文 参考訳（メタデータ） (2025-03-15T23:36:48Z) - AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。
この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。
高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文 参考訳（メタデータ） (2024-02-15T06:46:48Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳（メタデータ） (2023-08-24T05:26:56Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - 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)
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。