Fugu-MT 論文翻訳(概要): Conditional outlier detection for clinical alerting

論文の概要: Conditional outlier detection for clinical alerting

arxiv url: http://arxiv.org/abs/2605.05124v1
Date: Wed, 06 May 2026 16:51:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.948448
Title: Conditional outlier detection for clinical alerting
Title（参考訳）: 臨床診断のためのコンディショナル・アウトリー検出法
Authors: Milos Hauskrecht, Michal Valko, Shyam Visweswaran, Iyad Batal, Gilles Clermont, Gregory Cooper,
Abstract要約: 我々は,異常な(異常な)患者管理行動を検出するためのデータ駆動型アプローチを開発し,評価する。我々の仮説は、過去の患者に対して異常な患者管理行動は、潜在的な誤りによるものかもしれないというものである。本仮説は,4,486人の心術後患者の電子健康記録から得られたデータを用いて評価した。
参考スコア（独自算出の注目度）: 15.584798193122142
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We develop and evaluate a data-driven approach for detecting unusual (anomalous) patient-management actions using past patient cases stored in an electronic health record (EHR) system. Our hypothesis is that patient-management actions that are unusual with respect to past patients may be due to a potential error and that it is worthwhile to raise an alert if such a condition is encountered. We evaluate this hypothesis using data obtained from the electronic health records of 4,486 post-cardiac surgical patients. We base the evaluation on the opinions of a panel of experts. The results support that anomaly-based alerting can have reasonably low false alert rates and that stronger anomalies are correlated with higher alert rates.
Abstract（参考訳）: 電子健康記録(EHR)システムに蓄積された過去の患者から異常な(異常な)患者管理行動を検出するためのデータ駆動型アプローチの開発と評価を行った。我々の仮説は、過去の患者に対して異常な患者管理行動は、潜在的なエラーによるものかもしれないし、そのような状況に遭遇した場合、警告を提起する価値がある、というものである。本仮説は,4,486人の心術後患者の電子健康記録から得られたデータを用いて評価した。我々は専門家の意見に基づいて評価を行う。その結果、異常に基づく警告は、合理的に偽の警告率を低くすることができ、より強い異常はより高い警告率と相関することがわかった。

関連論文リスト

Evidence-based anomaly detection in clinical domains [31.97862489086428]
特定の患者の管理判断を評価できる新しい確率的異常検出法を開発し,検討した。本手法は術後心疾患患者における異常な患者管理決定の特定に応用する。
論文参考訳（メタデータ） (2026-05-06T09:10:46Z)
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)
Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-19T03:24:34Z)
Deterioration Prediction using Time-Series of Three Vital Signs and Current Clinical Features Amongst COVID-19 Patients [6.1594622252295474]
今後3～24時間で患者が悪化するかどうかを予測できる予後モデルを構築した。このモデルは、(a)酸素飽和度、(b)心拍数、(c)温度という、通常の三進的なバイタルサインを処理する。ニューヨーク・ラングーン・ヘルスで37,006人のCOVID-19患者から収集したデータを用いて、モデルを訓練し、評価した。
論文参考訳（メタデータ） (2022-10-12T02:53:43Z)
Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文参考訳（メタデータ） (2022-07-26T02:08:08Z)
Exploring How Anomalous Model Input and Output Alerts Affect Decision-Making in Healthcare [13.44589918338492]
ユーザがより適切な信頼から特に恩恵を受ける可能性のある状況は、AIが異常な入力を受けたり、異常な出力を提供したりすることである。本稿では,AI臨床意思決定支援システムのモックアップによるユーザ体験に,異常入力に対するAI警告がどう影響するかを検討する。我々は,4つの異常警報が非放射線学者によって望まれていることを示す証拠を見つけ,高信頼警報は放射線学者と非放射線学者の両方によって望まれている。フォローアップ・ユーザ・スタディでは,高信頼度・低信頼度警報が33名の放射線技師の作業精度および適切な信頼度に与える影響について検討した。
論文参考訳（メタデータ） (2022-04-27T20:58:28Z)
Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文参考訳（メタデータ） (2021-12-19T01:45:57Z)
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)
Predicting Clinical Deterioration in Hospitals [0.8329456268842225]
電子カルテに機械学習を適用し,患者が臨床劣化のリスクがあるかどうかを推定する。成功すれば、病院は我々のアプローチを既存のITシステムに統合し、モデルによって生成されたアラートを使用して、ICU転送、心停止、または死を防ぐことができる。
論文参考訳（メタデータ） (2021-02-11T06:03:36Z)
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。