論文の概要: Temporal Data Requirement for Predicting Unplanned Hospital Readmissions

• arxiv url: http://arxiv.org/abs/2605.00738v1
• Date: Fri, 01 May 2026 15:38:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:29.000624
• Title: Temporal Data Requirement for Predicting Unplanned Hospital Readmissions
• Title（参考訳）: 病院入所予定日数予測のための時間的データ要求
• Authors: Ramin Mohammadi, Vahab vahdat, Sarthak Jain, Amir T. Namin, Ramya Palacholla, Sagar Kamarthi,
• Abstract要約: 本研究では, 各種観察窓が股関節および膝関節形成術後30日間の寛解予測に及ぼす影響について検討した。 このデータセットは、構造化された遭遇記録(400万件以上)と7,174人の患者から得られた構造化されていない臨床記録(8,000件)の両方を含んでいる。
• 参考スコア（独自算出の注目度）: 5.140779369619892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the proliferation of Electronic Health Records (EHRs), a critical challenge in building predictive models is determining the optimal historical data time window to maximize accuracy. This study investigates the impact of various observation windows ranging from the day of surgery to three years prior on predicting 30-day readmission following hip and knee arthroplasties. The dataset encompasses both structured encounter records (over 4 million) and unstructured clinical notes (80,000) from 7,174 patients. To extract meaning from the clinical notes, we employed a suite of non neural (BOW, count BOW, TF IDF, LDA) and neural encoders (BERT, 1D CNN, BiLSTM, Average). We subsequently evaluated models utilizing clinical notes alone, structured data alone, and a combination of both modalities. Our results demonstrate that the optimal time window for unstructured clinical notes is significantly shorter than for structured data, maximum predictive performance was achieved using notes from just three to six months prior to surgery. In contrast, performance using structured data improved as the time window lengthened, but strictly plateaued after twelve months. These modality-specific temporal patterns remained consistent regardless of model complexity or encoder type. Ultimately, these findings challenge the general assumption that more historical data inherently yields better machine learning predictions, establishing targeted time-window guidelines for optimizing readmission prediction models.
• Abstract（参考訳）: 電子健康記録(EHR)の普及に伴い、予測モデルを構築する上で重要な課題は、正確性を最大化するために最適な履歴データ時間窓を決定することである。 本研究は, 手術日から3年前までの様々な観察窓が, 股関節および膝関節形成術後30日間の寛解予測に及ぼす影響について検討した。 このデータセットは、構造化された遭遇記録(400万件以上)と7,174人の患者から得られた構造化されていない臨床記録(8,000件)の両方を含んでいる。 臨床ノートから意味を抽出するために,非神経系(BOW,数BOW,TF IDF,LDA)とニューラルエンコーダ(BERT, 1D CNN, BiLSTM, Average)を用いた。 その後,臨床ノートのみを用いたモデル,構造化データのみを用いたモデル,両モードの組み合わせを評価した。 以上より, 術後3カ月から6カ月の成績から, 非構造的臨床記録の最適時間窓は, 構造化データよりも有意に短く, 最大予測性能が得られた。 対照的に、構造化データを用いた性能は、時間窓が長くなるにつれて向上したが、12ヶ月後には厳格に低下した。 これらのモダリティ固有の時間パターンは、モデルの複雑さやエンコーダの種類に関わらず一貫していた。 最終的に、これらの発見は、より歴史的データが本質的により良い機械学習予測をもたらすという一般的な仮定に挑戦し、読み出し予測モデルを最適化するためのターゲットのタイムウインドウガイドラインを確立した。

関連論文リスト

• Early predicting of hospital admission using machine learning algorithms: Priority queues approach [0.1957338076370071]
  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。
  論文  参考訳（メタデータ） (2026-01-21T21:31:16Z)
• Analysis of heart failure patient trajectories using sequence modeling [2.5101181751229915]
  Mambaアーキテクチャは、Llamaをベースとした高度なTransformer(Transformer++)で、長いコンテキスト長を扱う。 ラマは最も高い予測的差別を達成し、最高の校正を行い、全てのタスクに頑丈さを示し、その後にマンバが続く。 本稿では、入力トークン化、モデル構成、時間データ前処理のための体系的設計選択を用いた最初のアブレーション研究について述べる。
  論文  参考訳（メタデータ） (2025-11-20T22:43:25Z)
• 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)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• 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)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Healthcare Cost Prediction: Leveraging Fine-grain Temporal Patterns [1.8537353833167836]
  われわれは2013年から2016年までの3年間の医療・薬局の請求データを医療保険会社から利用した。 まず患者の側頭葉データを,粗い側頭葉ではなく細粒形で使用した。 コスト予測性能を向上させるための時間パターン抽出のための新しいスパイク検出機能を開発した。
  論文  参考訳（メタデータ） (2020-09-14T22:49:50Z)

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。