論文の概要: An Integrated Forecasting Prototype for Emergency Department Boarding Time to Support Proactive Operational Decision Making

• arxiv url: http://arxiv.org/abs/2605.18839v1
• Date: Wed, 13 May 2026 03:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.656763
• Title: An Integrated Forecasting Prototype for Emergency Department Boarding Time to Support Proactive Operational Decision Making
• Title（参考訳）: 積極的作業決定を支援する緊急部会の予約時間に関する統合型予測プロトタイプ
• Authors: Orhun Vural, Abdulaziz Ahmed, Ferhat Zengul, James Booth, Bunyamin Ozaydin,
• Abstract要約: 救急部門(ED)の過密は、現在も世界中で持続的な運用上の課題である。 我々は,ED搭乗時刻を6,8,10,12,24時間水平線で予測するマルチホライゾン時系列予測フレームワークを開発し,評価した。 深層学習モデルは複数の地平線にわたって優れた性能を示した。
• 参考スコア（独自算出の注目度）: 1.8912992487833533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Overcrowding in emergency departments (ED) remains a persistent operational challenge worldwide, causing delays in care delivery and downstream congestion. ED boarding time, defined as the duration admitted patients remain in the ED while awaiting inpatient bed placement, is a key indicator of this congestion. Predicting ED boarding time in advance enables proactive operational decision making before congestion escalates. We developed and evaluated a multi-horizon time series forecasting framework to predict ED boarding time at 6, 8, 10, 12, and 24-hour horizons. Real-world data from a university-affiliated urban hospital in the United States were utilized and integrated with external contextual data sources, including weather, holidays, and major local events. Decomposition-based Linear (DLinear) and Normalization-based Linear (NLinear) time series forecasting deep learning models showed superior performance across multiple horizons. Models were also evaluated under extreme congestion scenarios characterized by elevated boarding times. In addition, a Machine Learning Operations (MLOps) web application prototype was developed to support translation of the forecasting framework into practice through integrated data ingestion, forecast visualization, experimentation, and retraining.
• Abstract（参考訳）: 救急部門(ED)の過密は、ケアデリバリーと下流の渋滞の遅延を引き起こす、世界中で持続的な運用上の課題である。 ED入院期間は, 患者が病床に留まっている間, ベッド留置が待たれる期間として定義され, 混雑の鍵となる指標である。 前もってED搭乗時間を予測することにより、混雑がエスカレートする前に積極的な運用判断が可能になる。 我々は,ED搭乗時刻を6,8,10,12,24時間水平線で予測するマルチホライゾン時系列予測フレームワークを開発し,評価した。 米国の大学附属都市病院のリアルワールドデータは、天気、休日、主要な地元のイベントなど、外部の文脈データソースに利用され、統合された。 分割に基づく線形(DLinear)と正規化に基づく線形(NLinear)時系列による深層学習モデルの予測は,複数の地平線にまたがって優れた性能を示した。 また, 乗り込み時間の増加を特徴とする極端な混雑シナリオ下でのモデルの評価を行った。 さらに、機械学習操作(MLOps)Webアプリケーションのプロトタイプが開発され、データ取り込み、予測視覚化、実験、再トレーニングを通じて予測フレームワークの実践への変換をサポートする。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• Deep Learning-Based Forecasting of Boarding Patient Counts to Address ED Overcrowding [1.4874770738536844]
  本研究は,緊急時の乗車時間を予測するための,深層学習に基づく枠組みを提案する。 このフレームワークは、極端な期間を含む搭乗数を正確に予測し、より広い入力特徴が予測精度を向上させることを示した。
  論文  参考訳（メタデータ） (2025-05-20T17:35:47Z)
• An Artificial Intelligence-Based Framework for Predicting Emergency Department Overcrowding: Development and Evaluation Study [2.3933684192993177]
  本研究では,2つの時間スケールで救急部門(ED)の待合室占有率を予測する機械学習モデルを開発した。 時間ごとのモデルでは、待ち時間が6時間前(例えば午後7時)に予測され、日毎のモデルでは、次の24時間の平均待ち時間が推定される。 これらのツールはスタッフの意思決定をサポートし、早期の介入によって過密を減らすことができる。
  論文  参考訳（メタデータ） (2025-04-23T00:23:13Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Forecasting Emergency Department Crowding with Advanced Machine Learning Models and Multivariable Input [8.294560133196807]
  救急部門(ED)の混雑は患者の安全にとって重大な脅威であり、死亡率の上昇と繰り返し関連付けられている。 1)高度な機械学習モデル(ML)の急激な流入により予測モデルが時代遅れになったこと,2)多変量入力データが制限されたこと,3)個別のパフォーマンス指標が報告されることは稀である。 我々は、N-BEATSとLightGBMがそれぞれ11%と9%の改善率でベンチマークを上回り、DeepARは翌日のAUCが0.76(95 % CI 0.69-0.84)になると予測していることを示す。
  論文  参考訳（メタデータ） (2023-08-31T08:34:20Z)
• Effect of different patient peak arrivals on an Emergency Department via discrete event simulation [0.0]
  イタリア中部の地震で被害を受けた中規模EDを流れる患者を調査するモデルを提案する。 特に本研究の目的は,患者到着回数の急激な急激な増加を引き起こす危機事象(自然災害など)に対応する,異常なED条件をシミュレートすることである。 このモデルは、大規模災害が発生した場合に起動する特定の緊急計画を定義する上で、ED管理者に有効な意思決定支援システムを提供する。
  論文  参考訳（メタデータ） (2021-01-29T06:55:53Z)

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。