論文の概要: Proactive Inpatient Bed Requests for Emergency Department Admissions
- arxiv url: http://arxiv.org/abs/2607.15432v1
- Date: Thu, 16 Jul 2026 20:06:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.693061
- Title: Proactive Inpatient Bed Requests for Emergency Department Admissions
- Title（参考訳）: 救急部入所者に対する前向きな院内ベッドの請求
- Abstract要約: 入院中のベッドを待つ間、入院した患者が救急署に滞在する場合に搭乗する。
本稿では,現在の患者の情報とベッドの可利用性を利用して,EDsが搭乗時間と滞在期間を短縮するフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.9877891779485889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emergency department (ED) boarding occurs when admitted patients remain in the ED while awaiting inpatient beds. Boarding is a major driver of ED crowding and has been associated with poor patient outcomes. We propose a framework to help EDs reduce boarding time and length of stay by using information about current patients and bed availability to proactively request inpatient beds before admission decisions are finalized. We formulate the problem as a Markov decision process in which predictions of each patient's admission probability and time to disposition are aggregated to guide early inpatient bed requests. This formulation leads to three data-driven policies based on approximate dynamic programming, reinforcement learning, and a newsvendor-type approach. Using a simulation model based on data from a large ED, we evaluate these policies across a wide range of settings. The simulation study shows that proactive aggregate bed requests can reduce average boarding times for admitted patients by 30-70\% and average length of stay for all ED patients by 6-15\%, while creating only modest idle time for prepared inpatient beds. The newsvendor heuristic provides the most attractive tradeoff between ED performance and inpatient bed idle time, whereas the reinforcement learning heuristic produces smoother bed-request patterns when stability in downstream hospital processes is especially important. Our work shows how EDs can use prediction tools to make proactive bed-request decisions that improve ED operations while helping managers balance reductions in ED delays against inpatient bed idle time. Our findings also illustrate the value of evaluating both simple myopic heuristics and more sophisticated reinforcement learning-based approaches, since each can offer distinct advantages depending on the performance measures and implementation constraints most important to managers.
- Abstract（参考訳）: 救急部門(ED)の搭乗は、入院中のベッドを待つ間、入院した患者がEDに留まっているときに行われる。
客室乗務員は、ED群集の主要なドライバーであり、患者の不適切な結果と関連付けられている。
入院決定が確定する前に,現在患者に関する情報とベッドの可利用性を利用して,EDが搭乗時間と滞在期間を短縮する枠組みを提案する。
本稿では,各患者の入院確率と退院時期の予測を集計し,早期の入院ベッド要求を導出するマルコフ決定プロセスとして,この問題を定式化する。
この定式化は、近似動的プログラミング、強化学習、ニュースベンダータイプのアプローチに基づく3つのデータ駆動型ポリシーをもたらす。
大規模なEDのデータに基づくシミュレーションモデルを用いて、これらのポリシーを幅広い設定で評価する。
シミュレーション研究により, 入院患者の平均乗車時間を30～70 %, 全ED患者の平均滞在時間を6～15 %削減し, 準備した入院患者では軽度アイドル時間しか作成できないことがわかった。
ニュースベンダヒューリスティックは、EDパフォーマンスと入院ベッドアイドルタイムの最も魅力的なトレードオフを提供する一方、下流病院プロセスの安定性が特に重要である場合、強化学習ヒューリスティックはよりスムーズなベッド要求パターンを生成する。
我々の研究は、EDが予測ツールを使って、ED操作を改善するための積極的なベッド要求決定をし、管理者が患者のベッドアイドル時間に対するED遅延の低減をバランスよく行えるようにする方法を示している。
以上の結果から, 単純明視的ヒューリスティックとより洗練された強化学習に基づくアプローチを両立させることの価値が示唆された。
関連論文リスト
- An Integrated Forecasting Prototype for Emergency Department Boarding Time to Support Proactive Operational Decision Making [1.8912992487833533]
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。
論文 参考訳（メタデータ） (2026-05-13T03:14:56Z) - Prediction accuracy versus rescheduling flexibility in elective surgery management [1.4249472316161877]
本稿では,LOS予測精度と様々な補正ポリシー間のフレキシビリティの再スケジューリングの関係について検討する。
ベッドオーバーフローを防止するため,LOS予測誤差に基づく最も効果的な患者の再スケジュール戦略について検討した。
論文 参考訳（メタデータ） (2025-07-21T12:46:18Z) - ED-Copilot: Reduce Emergency Department Wait Time with Language Model Diagnostic Assistance [19.740597797776093]
救急部(ED)では、診断前にトリアージと複数回の検査を行った。
この時間のかかるプロセスは、患者の死亡率、医療ミス、スタッフの燃え尽きなどを引き起こす。
本研究は,人工知能システムを活用した費用対効果診断支援を提案する。
論文 参考訳（メタデータ） (2024-02-21T00:49:42Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。
患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。
患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-21T21:42:03Z) - 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) - Optimal discharge of patients from intensive care via a data-driven
policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。
本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。
データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文 参考訳（メタデータ） (2021-12-17T04:39:33Z) - 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) - Emergency Department Optimization and Load Prediction in Hospitals [9.90154803957148]
我々は、ED到着とED患者の容積を予測するための機械学習モデルを用いたツールを開発した。
本稿では,本ツールを用いたアクティブな臨床展開におけるユーザ体験から得られた予測モデル,課題,および学習結果について論じる。
論文 参考訳（メタデータ） (2021-02-06T21:52:51Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment
Prediction [67.91606509226132]
臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。
DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
論文 参考訳（メタデータ） (2020-01-22T17:51:25Z)
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。