論文の概要: Early predicting of hospital admission using machine learning algorithms: Priority queues approach
- arxiv url: http://arxiv.org/abs/2601.15481v1
- Date: Wed, 21 Jan 2026 21:31:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-23 21:37:20.42153
- Title: Early predicting of hospital admission using machine learning algorithms: Priority queues approach
- Title（参考訳）: 機械学習アルゴリズムを用いた入院早期予測:優先順位待ち行列アプローチ
- Authors: Jakub Antczak, James Montgomery, Małgorzata O'Reilly, Zbigniew Palmowski, Richard Turner,
- Abstract要約: 救急署の混雑は患者の安全と作業効率を損なう重要な問題である。
本研究では,季節自動回帰統合移動平均とeXogenous Regressors(SARIMAX),Extreme Gradient Boosting(XGBoost),Long Short-Term Memory(LSTM)の3つの予測モデルを評価し,比較する。
XGBoostは平均絶対誤差が6.63であり、統計SARIMAXモデルでは3.77である大合併症の予測に優れていた。
- 参考スコア（独自算出の注目度）: 0.1957338076370071
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emergency Department overcrowding is a critical issue that compromises patient safety and operational efficiency, necessitating accurate demand forecasting for effective resource allocation. This study evaluates and compares three distinct predictive models: Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors (SARIMAX), EXtreme Gradient Boosting (XGBoost) and Long Short-Term Memory (LSTM) networks for forecasting daily ED arrivals over a seven-day horizon. Utilizing data from an Australian tertiary referral hospital spanning January 2017 to December 2021, this research distinguishes itself by decomposing demand into eight specific ward categories and stratifying patients by clinical complexity. To address data distortions caused by the COVID-19 pandemic, the study employs the Prophet model to generate synthetic counterfactual values for the anomalous period. Experimental results demonstrate that all three proposed models consistently outperform a seasonal naive baseline. XGBoost demonstrated the highest accuracy for predicting total daily admissions with a Mean Absolute Error of 6.63, while the statistical SARIMAX model proved marginally superior for forecasting major complexity cases with an MAE of 3.77. The study concludes that while these techniques successfully reproduce regular day-to-day patterns, they share a common limitation in underestimating sudden, infrequent surges in patient volume.
- Abstract（参考訳）: 救急署の混雑は患者の安全と運用効率を損なう重要な問題であり、効果的な資源配分のために正確な需要予測が必要である。
本研究では,季節的自己回帰統合型移動平均とeXogenous regressors (SARIMAX), Extreme Gradient Boosting (XGBoost), Long Short-Term Memory (LSTM) の3つの予測モデルを評価し,その比較を行った。
この研究は、2017年1月から2021年12月までのオーストラリア第3次紹介病院のデータを利用して、需要を8つの特定の病棟に分解し、臨床的な複雑さで患者を階層化する。
新型コロナウイルスのパンデミックによるデータ歪みに対処するため、この研究では、プロフェットモデルを用いて異常期間の合成反事実値を生成する。
実験結果から、3つのモデルが季節的なナイーブベースラインを一貫して上回っていることが明らかとなった。
XGBoostは平均絶対誤差が6.63であり、統計SARIMAXモデルでは3.77である大合併症の予測に優れていた。
この研究は、これらのテクニックが日常のパターンを再現することに成功した一方で、患者数の増加頻度が急激で、頻度が低いという共通の制限を共有していると結論付けている。
関連論文リスト
- Early Prediction of Liver Cirrhosis Up to Three Years in Advance: A Machine Learning Study Benchmarking Against the FIB-4 Score [2.517407471678283]
日常的に収集された電子カルテデータを用いて肝硬変を予測するための機械学習モデルの開発と評価を行った。
通常のERHデータを活用する機械学習モデルは、肝硬変の早期予測のために従来のFIB-4スコアより大幅に優れている。
論文 参考訳（メタデータ） (2026-01-01T02:33:16Z) - Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。
機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
論文 参考訳（メタデータ） (2024-04-29T13:05:59Z) - 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Generative models improve fairness of medical classifiers under
distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。
これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文 参考訳（メタデータ） (2023-04-18T18:15:38Z) - Forecasting Patient Demand at Urgent Care Clinics using Machine Learning [0.0]
本研究は,ニュージーランドのオークランドにある2つの大規模救急医療施設において,患者の正確なプレゼンテーションを機械学習で作成する能力について検討した。
この問題領域の最も効果的なテクニックを決定するために, 日常的な患者需要予測を3ヶ月前に行うために, 機械学習アルゴリズムを多数検討した。
その結果, アンサンブルをベースとした手法は, 最も正確で一貫したソリューションを平均で提供し, 既存手法に比べて23%-27%の改善を実現し, 日々の需要を推定した。
論文 参考訳（メタデータ） (2022-05-25T22:27:49Z) - Multimodal spatiotemporal graph neural networks for improved prediction
of 30-day all-cause hospital readmission [4.609543591101764]
本研究では,30日間の院内通院予測のためのマルチモーダル・モダリティ非依存型グラフニューラルネットワーク(MM-STGNN)を提案する。
MM-STGNNは、プライマリデータセットと外部データセットの両方で0.79のAUを達成する。
心臓・血管疾患患者のサブセットでは,30日間の寛解予測において,ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-04-14T05:50:07Z) - 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) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - 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。