論文の概要: Benchmarking Early Deterioration Prediction Across Hospital-Rich and MCI-Like Emergency Triage Under Constrained Sensing
- arxiv url: http://arxiv.org/abs/2602.20168v1
- Date: Mon, 09 Feb 2026 09:32:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 07:21:25.639238
- Title: Benchmarking Early Deterioration Prediction Across Hospital-Rich and MCI-Like Emergency Triage Under Constrained Sensing
- Title（参考訳）: 病院RichおよびMCI様緊急トリアージにおける制約センシングによる早期劣化予測のベンチマーク
- Authors: KMA Solaiman, Joshua Sebastian, Karma Tobden,
- Abstract要約: 早期劣化予測のためのリーク対応ベンチマークフレームワークを提案する。
病院に豊富なトリアージとバイタルオンリーのMCIライクな設定を比較し,プレゼンテーション開始後1時間以内に利用可能な情報への入力を制限する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emergency triage decisions are made under severe information constraints, yet most data-driven deterioration models are evaluated using signals unavailable during initial assessment. We present a leakage-aware benchmarking framework for early deterioration prediction that evaluates model performance under realistic, time-limited sensing conditions. Using a patient-deduplicated cohort derived from MIMIC-IV-ED, we compare hospital-rich triage with a vitals-only, MCI-like setting, restricting inputs to information available within the first hour of presentation. Across multiple modeling approaches, predictive performance declines only modestly when limited to vitals, indicating that early physiological measurements retain substantial clinical signal. Structured ablation and interpretability analyses identify respiratory and oxygenation measures as the most influential contributors to early risk stratification, with models exhibiting stable, graceful degradation as sensing is reduced. This work provides a clinically grounded benchmark to support the evaluation and design of deployable triage decision-support systems in resource-constrained settings.
- Abstract（参考訳）: 緊急トリアージ決定は厳しい情報制約の下で行われるが、ほとんどのデータ駆動劣化モデルは、初期評価時に利用できない信号を用いて評価される。
本稿では,実時間限定センシング条件下でのモデル性能を評価する,早期劣化予測のためのリーク対応ベンチマークフレームワークを提案する。
MIMIC-IV-ED由来の患者用コホートを用いて, 患者用トリアージとバイタルのみのMCIライクな設定を比較し, プレゼンテーション開始後1時間以内に利用可能な情報への入力を制限する。
複数のモデリングアプローチを通じて、予測性能はバイタルに制限された場合にのみ緩やかに低下し、初期の生理的測定がかなりの臨床信号を保持することを示す。
構造的アブレーションと解釈可能性分析により、呼吸および酸素化対策が早期のリスク階層化に最も影響を及ぼすと同定され、センシングが減少するにつれて安定で優雅な劣化を示すモデルが示される。
この研究は、リソース制約のある環境でのデプロイ可能なトリアージ決定支援システムの評価と設計を支援するために、臨床的に基礎付けられたベンチマークを提供する。
関連論文リスト
- Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。
従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。
本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
論文 参考訳（メタデータ） (2026-01-12T15:03:53Z) - LLM-Assisted Emergency Triage Benchmark: Bridging Hospital-Rich and MCI-Like Field Simulation [0.0]
劣化予測のためのLCM支援緊急トリアージベンチマークをオープンに導入する。
i)バイタル、実験室、ノート、主要な苦情、構造化された観察を伴う病院に富んだ設定、(ii)バイタル、観察、ノートに限定されたMCIライクなフィールドシミュレーションである。
論文 参考訳（メタデータ） (2025-09-30T14:54:58Z) - Evaluating Imputation Techniques for Short-Term Gaps in Heart Rate Data [2.5692532811345066]
心拍数(HR)は、心血管の状態をモニターし、低血糖のような極端な生理的事象を検出する上で中心的な役割を果たす。
ウェアラブルデバイスのデータは、しばしば値の欠落に悩まされる。
この問題に対処するために、近年の研究では様々な計算手法が採用されている。
本研究は, 4つの統計計算手法の包括的評価を行うことにより, ギャップを埋めるものである。
論文 参考訳（メタデータ） (2025-07-29T08:57:13Z) - Predicting Extubation Failure in Intensive Care: The Development of a Novel, End-to-End Actionable and Interpretable Prediction System [0.0]
集中治療における排他的障害の予測は、複雑なデータと不正確な予測の重大な結果のために困難である。
機械学習は、臨床的な意思決定を改善することを約束するが、時間的患者の軌跡やモデル解釈可能性を考慮するのに失敗することが多い。
本研究では, 時相モデリング手法を用いて, エクスキュベーション故障の予測システムを構築することを目的とした。
論文 参考訳（メタデータ） (2024-11-27T22:19:47Z) - Enhancing clinical decision support with physiological waveforms -- a multimodal benchmark in emergency care [0.9503773054285559]
本稿では,救急医療におけるマルチモーダル意思決定支援を推進すべく,データセットとベンチマークプロトコルを提案する。
本モデルでは, 人口統計, バイオメトリックス, バイタルサイン, 検査値, 心電図(ECG)波形を入力として, 放電診断と患者の劣化の双方を予測する。
論文 参考訳（メタデータ） (2024-07-25T08:21:46Z) - 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) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - 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) - 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) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。