論文の概要: AI-driven Optimisation of Quality of Recovery (QoR) in Remote Patient Monitoring
- arxiv url: http://arxiv.org/abs/2606.23631v1
- Date: Mon, 22 Jun 2026 17:23:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 17:38:05.329855
- Title: AI-driven Optimisation of Quality of Recovery (QoR) in Remote Patient Monitoring
- Title（参考訳）: 遠隔患者モニタリングにおけるAIによるQoRの最適化
- Authors: Yansong Liu, Li-Hsi, Lin, Pramit Khetrapal, Ronnie Stafford, John Kelly, Ivana Drobnjak,
- Abstract要約: クオリティ・オブ・リカバリ (QoR-15) は、この目的のための金標準装置である。
遠隔患者の監視は、デバイスが計測できない主観的な回復の次元を捉えるために、患者が報告したデータに依存する。
RPM予測経路の1日5項目入力であるQoR-compactを開発した。
- 参考スコア（独自算出の注目度）: 1.9586881119875261
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote patient monitoring depends on patient-reported data to capture the subjective dimension of recovery that devices cannot measure. The Quality of Recovery (QoR-15) survey is the gold-standard instrument for this purpose. It was designed and validated for occasional in-hospital assessment, yet remote monitoring now administers it to patients daily. In our own post-surgical deployment, only 55% of patients submitted the survey more than 14 days of 30 monitoring days. We developed QoR-compact, a five-item daily input for the RPM prediction pathway. Setting a deployment-driven target of one-third of the daily items, we exhaustively evaluated all 3,003 five-question subsets of the QoR-15 and tested whether the best of them matches the full instrument in predicting near-term postoperative recovery severity. QoR-compact achieves a mean AUC-ROC of 0.968 (95% CI 0.915-0.988), statistically comparable to the 0.964 baseline obtained with one-third of the items. Patient-level backtesting indicates that it tracks readmission events as faithfully as the full form. Its five items span the physical and psychological axes of recovery: Q3 (feeling rested), Q9 (feeling comfortable and in control), Q10 (general well-being), Q12 (severe pain), and Q14 (feeling worried or anxious). The QoR-15 remains the gold-standard measure of recovery; QoR-compact complements it as a shorter daily input designed for prediction. This parity provides the basis for a prospective study of whether a lighter daily input is, in turn, completed more consistently. External validation on larger cohorts is required before clinical use.
- Abstract（参考訳）: 遠隔患者の監視は、デバイスが計測できない主観的な回復の次元を捉えるために、患者が報告したデータに依存する。
クオリティ・オブ・リカバリ (QoR-15) は、この目的のための金標準装置である。
時折院内評価のために設計され、検証されるが、現在は遠隔監視が毎日患者に投与されている。
術後30日間の14日以上で調査を行った患者は55%に過ぎなかった。
RPM予測経路の1日5項目入力であるQoR-compactを開発した。
本研究は,QoR-15の3,003個の5つの問合せサブセットを1日あたり3分の1の配置目標に設定し,術後早期の回復重症度を予測する上で,ベストが全機器に適合するかどうかを徹底的に評価した。
QoR-compact は平均 AUC-ROC を 0.968 (95% CI 0.915-0.988) で達成し、統計学的には 0.964 のベースラインに匹敵する。
患者レベルのバックテストは、完全なフォームと同じくらい忠実に、寛容なイベントを追跡することを示している。
その5つの項目は、回復の物理的および心理的軸であるQ3、Q9、Q10、Q12、Q14(不安または不安)である。
QoR-15は依然として金標準の回収手段であり、QoR-compactは予測のために設計されたより短い1日当たりの入力としてそれを補完する。
このパリティは、より軽い日々の入力がより一貫して完了しているかどうかについて、先進的な研究の基盤を提供する。
臨床使用の前には、より大きなコホートに対する外的検証が必要である。
関連論文リスト
- Perception or Prejudice: Can MLLMs Go Beyond First Impressions of Personality? [74.69723255239663]
グラウンドド・パーソナリティ・推論は、MLLMがそれぞれのビッグファイブ・格付けを、評価、推論、根拠の連鎖を通じて観察可能な証拠に固定することを要求する。
MM-OCEANは、人間の検証によるマルチエージェントパイプラインによって生成され、タイムスタンプによる行動観察、エビデンスに基づく特性分析、およびキューグラウンドMCQの7つのカテゴリがある。
この分析では、フィールド全体にわたって、正しい評価の51%が取得された手がかりに基づかず、ホリスティック・ギャラリング・レートは0-33.5%にしか達していないという顕著な偏見のギャップが明らかになった。
論文 参考訳（メタデータ） (2026-05-21T07:42:47Z) - Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。
CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。
提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
論文 参考訳（メタデータ） (2025-12-12T08:02:37Z) - Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。
本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。
このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
論文 参考訳（メタデータ） (2025-03-06T18:35:39Z) - 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) - Validation of a new, minimally-invasive, software smartphone device to predict sleep apnea and its severity: transversal study [3.798946451618375]
閉塞性睡眠時無呼吸(OSA)は頻繁で、心臓血管の合併症や日中の過度な睡眠障害の原因となる。
スマートフォンのセンサーを使う別の方法は、診断を高めるのに役立つかもしれない。
本稿は,PSGによるスコアと比較して,スマートフォンによる信号の手動スコアリングが可能であり,正確であることを示す。
論文 参考訳（メタデータ） (2024-06-20T14:36:15Z) - 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) - Global Deep Forecasting with Patient-Specific Pharmacokinetics [14.550711449872512]
本稿では,患者固有の治療効果の深層学習モデルを示すハイブリッドグローバルローカルアーキテクチャとPKエンコーダを提案する。
血糖予測タスクにおいて, 精度向上のためのアプローチの有効性を示す。
論文 参考訳（メタデータ） (2023-09-22T18:43:41Z) - 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) - Journaling Data for Daily PHQ-2 Depression Prediction and Forecasting [47.93070579578704]
我々は,新たに収集した時系列データセット上で,アクティブに収集されたデータを用いて,毎日のPHQ-2スコアを予測し,予測する可能性を探る。
PHQ-2 スコアの日次予測には 1.417 の MAE が最適である。
これは、うつ病モニタリングアプリケーションにアクティブに収集されたデータを組み込むことで得られる付加価値を示す。
論文 参考訳（メタデータ） (2022-05-06T17:47:05Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - A Time-dependent SIR model for COVID-19 with Undetectable Infected
Persons [5.315136504175843]
2つの時系列を追従する時間依存型感受性感染回復モデルを提案する。
中国が提供したデータから,確認された症例数の1日の予測誤差がほぼ3%であることがわかった。
また、送信率が回復率より小さい日と定義される旋回点を正確に予測することができる。
論文 参考訳（メタデータ） (2020-02-28T23:44:13Z)
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。