Fugu-MT 論文翻訳(概要): Exposure-Normalized Bed and Chair Fall Rates via Continuous AI Monitoring

論文の概要: Exposure-Normalized Bed and Chair Fall Rates via Continuous AI Monitoring

arxiv url: http://arxiv.org/abs/2603.22785v1
Date: Tue, 24 Mar 2026 04:20:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-25 19:53:37.301654
Title: Exposure-Normalized Bed and Chair Fall Rates via Continuous AI Monitoring
Title（参考訳）: 連続AIモニタリングによる露光Normalized Bed and Chair Fall Rates
Authors: Paolo Gabriel, Peter Rehani, Zack Drumm, Tyler Troy, Tiffany Wyatt, Narinder Singh,
Abstract要約: この振り返りコホート研究は、連続したAIモニタリングを使用して、占有された就寝日よりも露光時間による転倒率を見積もった。 2024年8月から2025年12月まで、3,980基の監視ユニットが292,914行の時間列を提供し、1000時間当たり17.8フォール、1,000時間当たり4.3フォールを発生させた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This retrospective cohort study used continuous AI monitoring to estimate fall rates by exposure time rather than occupied bed-days. From August 2024 to December 2025, 3,980 eligible monitoring units contributed 292,914 hourly rows, yielding probability-weighted rates of 17.8 falls per 1,000 chair exposure-hours and 4.3 per 1,000 bed exposure-hours. Within the study window, 43 adjudicated falls matched the monitoring pipeline, and 40 linked to eligible exposure hours for the primary Poisson model, producing an adjusted chair-versus-bed rate ratio of 2.35 (95% confidence interval 0.87 to 6.33; p=0.0907). In a separate broader observation cohort (n=32 deduplicated events), 6 of 7 direct chair falls involved footrest-positioning failures. Because this was an observational study in a single health system, these findings remain hypothesis-generating and support testing safer chair setups rather than using chairs less.
Abstract（参考訳）: この振り返りコホート研究は、連続したAIモニタリングを使用して、占有された就寝日よりも露光時間による転倒率を見積もった。 2024年8月から2025年12月まで、3,980基の監視ユニットが292,914行の時間列を提供し、1000時間当たり17.8フォール、1,000時間当たり4.3フォールを発生させた。調査ウィンドウ内では43の偏差が監視パイプラインと一致し、プライマリ・ポアソンモデルの被曝時間にリンクした40が2.35(95%の信頼区間0.87から6.33; p=0.0907)の調整椅子-逆ベッドレート比を発生させた。別個のより広い観測コホート(n=32の重複事象)では、7つの直接椅子のうち6つがフットレスト配置の失敗に関係している。これは単一の健康システムにおける観察的研究であったため、これらの発見は仮説の生成に留まり、椅子の使用を減らすよりも安全な椅子の設置テストを支援している。

関連論文リスト

LiveClin: A Live Clinical Benchmark without Leakage [50.45415584327275]
LiveClinは、実際の臨床実践を近似するために設計されたライブベンチマークである。本研究は,患者を臨床経過全体にわたる複雑なマルチモーダルな評価シナリオに転換する。 LiveClin上で26のモデルを評価すると、これらの実世界のシナリオの難しさが明らかとなり、最高性能のモデルではケース精度が35.7%に達した。
論文参考訳（メタデータ） (2026-02-18T03:59:46Z)
Externally Validated Longitudinal GRU Model for Visit-Level 180-Day Mortality Risk in Metastatic Castration-Resistant Prostate Cancer [0.5361389213879222]
転移性カストレーション耐性前立腺癌 (mCRPC) は予後不良と不均一な治療反応を有する高攻撃性疾患である。我々は,2つのフェーズIIIコホートからの縦断データを用いて,訪問レベル180日間の死亡リスクモデルを開発し,検証した。
論文参考訳（メタデータ） (2026-01-27T20:48:53Z)
Statistical vs. Deep Learning Models for Estimating Substance Overdose Excess Mortality in the US [0.951591069547877]
パンデミック前のパターンに基づいて、予想以上の死亡率で定義された過剰死亡を推定することは、パンデミックの影響を理解し、介入戦略を伝えるのに不可欠である。本稿では,3つのディープラーニングアーキテクチャ (LSTM, Seq2Seq, Transformer) に対するSARIMAの系統的比較を行った。以上の結果から, 慎重に検証したDLモデルは, 従来の公衆衛生計画手法よりも信頼性の高い反事実推定が可能であることが判明した。
論文参考訳（メタデータ） (2025-12-25T00:49:59Z)
Medical Hallucinations in Foundation Models and Their Impact on Healthcare [71.15392179084428]
基礎モデルの幻覚は自己回帰訓練の目的から生じる。トップパフォーマンスモデルは、チェーン・オブ・シークレット・プロンプトで強化された場合、97%の精度を達成した。
論文参考訳（メタデータ） (2025-02-26T02:30:44Z)
APRICOT-Mamba: Acuity Prediction in Intensive Care Unit (ICU): Development and Validation of a Stability, Transitions, and Life-Sustaining Therapies Prediction Model [12.370938858314911]
集中治療室(ICU)の患者の体力状態は、すぐに安定して不安定になる。早期の劣化状態の検出は、タイムリーな介入と生存率の改善をもたらす可能性がある。 Intensive Care Unit-MambaにおけるAPRICOT-M(Acuity Prediction in Intensive Care Unit-Mamba)を提案する。
論文参考訳（メタデータ） (2023-11-03T16:52:27Z)
Auto-Gait: Automatic Ataxia Risk Assessment with Computer Vision on Gait Task Videos [3.2268662749172097]
脊髄小脳失調症(SCAs)と診断された89名,24名,65名から155本のビデオを収集した。本研究では,参加者を周囲から分離する手法を開発し,歩幅,歩幅,揺動,安定性,速度などの歩行特性を捉えた。リスク予測モデルは精度が83.06%、F1スコアが80.23%であり、同様に重大度評価モデルは平均絶対誤差(MAE)スコアが0.6225、ピアソン相関係数スコアが0.7268である。
論文参考訳（メタデータ） (2022-03-15T19:28:10Z)
Regularization methods for the short-term forecasting of the Italian electric load [77.34726150561087]
イタリアの電力負荷の24のプロファイル全体を予測する問題はマルチタスク学習問題として対処される。 96x96行列重みは96x96行列を形成し、正方形の領域にサンプリングされた表面として見ることができる。表面の自由度を下げるための規則化とスパーシリティの異なるアプローチを探索し、得られた予測をイタリアのトランスミッション・システム・オペレーター・テルナの予測と比較した。
論文参考訳（メタデータ） (2021-12-08T22:15:06Z)
Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文参考訳（メタデータ） (2021-10-19T11:45:01Z)
Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文参考訳（メタデータ） (2021-04-14T11:58:54Z)
COVID-19 Prognosis via Self-Supervised Representation Learning and Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文参考訳（メタデータ） (2021-01-13T07:03:17Z)
Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。