論文の概要: Hierarchical Spatio-Temporal Transformer for Coherent Emergency Department Forecasting

• arxiv url: http://arxiv.org/abs/2607.27106v1
• Date: Wed, 29 Jul 2026 16:33:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.742296
• Title: Hierarchical Spatio-Temporal Transformer for Coherent Emergency Department Forecasting
• Title（参考訳）: コヒーレント救急部門予測のための階層型時変器
• Abstract要約: 救急部門(ED)は医療システムにおいて重要なアクセスポイントであるが、予測不可能な患者需要、季節的な急激な急上昇、非急激な訪問から迫られている。 階層型トランスフォーマーベースのマルチレベルED予測フレームワークであるHierSTTを提案する。
• 参考スコア（独自算出の注目度）: 10.826421676264031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergency Departments (EDs) are critical access points in healthcare systems, yet they face persistent pressure from unpredictable patient demand, seasonal surges, and non-urgent visits. Effective ED planning requires forecasts at multiple decision-making levels: hospitals need local demand estimates for staffing and bed management, regions require forecasts to coordinate healthcare units, and national authorities need system-wide projections for capacity planning. However, most existing approaches forecast ED demand independently at a single level, ignoring the hierarchy linking hospitals, regions, and national systems. This can produce incoherent predictions, where hospital-level forecasts do not aggregate consistently to regional or national demand. We propose HierSTT, a hierarchical Transformer-based framework for coherent multi-level ED forecasting. HierSTT jointly predicts hospital, regional, and national level demand in a single end-to-end model. A Temporal Fusion Transformer captures national dynamics, while spatio-temporal Transformer encoder-decoder modules model regional and hospital demand conditioned on higher-level forecasts. A coherence-aware loss penalizes cross-level inconsistencies during training. We further introduce a nationwide Portuguese ED dataset covering 81 hospitals across 5 regional health administrations, with heterogeneous covariates at each level. Experiments show that HierSTT reduces average WAPE by 32\% relative to the best non-hierarchical deep learning baseline and outperforms all classical hierarchical reconciliation methods, while producing near-coherent predictions across levels. Additional resources associated with this work are available at https://github.com/FilipaLino/HierSTT.
• Abstract（参考訳）: 救急部門(ED)は医療システムにおいて重要なアクセスポイントであるが、予測不可能な患者需要、季節的な急激な急上昇、非急激な訪問から迫られている。 効果的なEDプランニングには、複数の意思決定レベルでの予測が必要であり、病院はスタッフとベッド管理のための地域需要予測を必要とし、地域は医療ユニットの調整のための予測を必要とし、国家当局は容量計画のためのシステム全体の予測を必要としている。 しかし、既存のほとんどのアプローチは、病院、地域、および国家システムを結ぶ階層を無視して、ED需要を単独で予測している。 これは、病院レベルの予測が地域や国家の需要に一貫して集約されないという、一貫性のない予測を生み出す可能性がある。 階層型トランスフォーマーベースのマルチレベルED予測フレームワークであるHierSTTを提案する。 HierSTTは、単一エンドツーエンドモデルで、病院、地域、および国家レベルの需要を共同で予測する。 テンポラル・フュージョン・トランスフォーマーは国家のダイナミクスを捉え、時空間変換器エンコーダ・デコーダモジュールは高水準の予測に基づいて、地域および病院の需要をモデル化する。 コヒーレンス・アウェア・ロス(Coherence-aware Los)は、トレーニング中にクロスレベルな不整合を罰する。 さらに,5つの地域医療機関にまたがる81の病院を対象とし,各レベルに異質な共変がみられたポルトガルのEDデータセットを全国に導入した。 実験の結果,HierSTTは非階層的な学習ベースラインと比較して平均WAPEを32倍に減らし,階層的な和解手法を全て上回り,階層に近い予測をレベル毎に生成することがわかった。 この作業に関連する追加リソースはhttps://github.com/FilipaLino/HierSTT.comで公開されている。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Improving Coherence in Hierarchical Time Series Forecasting using Structured Temporal Fusion [0.0]
  階層的テンポラルフュージョン (HTF) は階層的埋め込みとコヒーレンスを意識した損失関数を統合し、階層のすべてのレベルにわたって一貫した予測を保証する。 我々は、M5 Walmart予測データセットと、利用可能な階層的エネルギー消費データセットの2つの公開ベンチマークデータセットに対して、HTFを評価した。
  論文  参考訳（メタデータ） (2026-06-26T19:11:40Z)
• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• Hierarchical Forecast Reconciliation for Urban Rail Transit Demand Prediction under Operational Disruptions [4.330506300153804]
  本稿では,共同ステーションレベルおよびODレベルのURT需要予測のための最初の階層的予測調整フレームワークを提案する。 ニューラルネットワークのFully Connected Reconcilerは、非コヒーレントベース予測からコヒーレント階層的予測への非線形マッピングを学習する。 その結果,和解は階層的コヒーレンスを確保しつつ,OD予測精度を常に向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-05T08:41:18Z)
• An Agentic LLM-Based Framework for Population-Scale Mental Health Screening [0.3568466510804538]
  本稿では,ロバストなLLMパイプライン構築のためのエージェントフレームワークを提案する。 トランスクリプトベースの検出における概念実証は、フレームワークが安定した構成に収束することを証明している。 結果は、大規模な臨床データセット上で集団レベルのメンタルヘルススクリーニングを可能にするエージェントAIの可能性を強調している。
  論文  参考訳（メタデータ） (2026-05-13T06:08:43Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay [0.0]
  入院期間(LOS)を確実に予測することは,病院における資源配分の効率化に不可欠である。 従来の予測モデリングツールは、医療機関がプライバシー規則を定めているため、十分なデータと多様なデータを取得するのが難しいことが多い。 このモデリング手法は、病院外の機密データを抽出することなく、異なる病院からの分散データソースをモデル化することで協調的なモデルトレーニングを促進する。
  論文  参考訳（メタデータ） (2024-07-17T17:00:20Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• A Temporal Fusion Transformer for Long-term Explainable Prediction of Emergency Department Overcrowding [0.0]
  救急省(英語: emergency Departments、略称:ED)は、ポルトガル国立衛生局(英語版)の基本的な要素である。 サービスを利用する患者の数を予測することは特に困難である。 本稿では,新しい深層学習アーキテクチャであるTemporal Fusion Transformerについて述べる。 我々は,ポルトガルの保健地域(HRA)では平均絶対過誤(MAPE)が5.90%,Root Mean Squared Error(RMSE)が84.4102人/日で予測可能であると結論づけた。
  論文  参考訳（メタデータ） (2022-07-01T18:08:07Z)
• Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
  一つの病院で1日当たりの入院患者数を予測するという課題について検討する。 データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-04-14T11:58:54Z)
• Distributed Q-Learning with State Tracking for Multi-agent Networked Control [61.63442612938345]
  本稿では,LQR(Linear Quadratic Regulator)のマルチエージェントネットワークにおける分散Q-ラーニングについて検討する。 エージェントに最適なコントローラを設計するための状態追跡(ST)ベースのQ-ラーニングアルゴリズムを考案する。
  論文  参考訳（メタデータ） (2020-12-22T22:03:49Z)
• CPAS: the UK's National Machine Learning-based Hospital Capacity Planning System for COVID-19 [111.69190108272133]
  新型コロナウイルス(COVID-19)の2019年は、集中治療リソースに対する前例のない需要を伴う圧倒的な医療システムの脅威となる。 病院資源計画のための機械学習システムであるCPAS(COVID-19 Capacity Planning and Analysis System)を開発した。 CPASは、新型コロナウイルス(COVID-19)のパンデミックに対処するため、全国規模で病院に配備された最初の機械学習ベースのシステムの一つだ。
  論文  参考訳（メタデータ） (2020-07-27T19:39:13Z)

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。