文献

J-GLOBAL ID：202202275138716841   整理番号：22A0983231

救急科患者の潜在サブグループの遡及的同定:機械学習アプローチ【JST・京大機械翻訳】

Retrospective identification of latent subgroups of emergency department patients: A machine learning approach

著者 (11件)： Duwalage Kalpani I (School of Mathematical Sciences, Queensland University of Technology, Brisbane, Queensland, Australia) ,  Duwalage Kalpani I (Centre for Data Science, Queensland University of Technology, Brisbane, Queensland, Australia) ,  Duwalage Kalpani I (ARC Centre of Excellence for Mathematical and Statistical Frontiers, Melbourne, Victoria, Australia) ,  Burkett Ellen (Emergency Department, Princess Alexandra Hospital, Brisbane, Queensland, Australia) ,  Burkett Ellen (Queensland Government Clinical Excellence Division, Healthcare Improvement Unit, Brisbane, Queensland, Australia) ,  White Gentry (School of Mathematical Sciences, Queensland University of Technology, Brisbane, Queensland, Australia) ,  White Gentry (Centre for Data Science, Queensland University of Technology, Brisbane, Queensland, Australia) ,  White Gentry (ARC Centre of Excellence for Mathematical and Statistical Frontiers, Melbourne, Victoria, Australia) ,  Wong Andy (Emergency Department, Princess Alexandra Hospital, Brisbane, Queensland, Australia) ,  Thompson M Helen (School of Mathematical Sciences, Queensland University of Technology, Brisbane, Queensland, Australia) ,  Thompson M Helen (Centre for Data Science, Queensland University of Technology, Brisbane, Queensland, Australia)
資料名： Emergency Medicine Australasia  (Emergency Medicine Australasia)
巻： 34  号： 2  ページ： 252-262  発行年： 2022年 
JST資料番号： W2557A  ISSN： 1742-6731  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 目的:この研究は,(i)データ駆動アプローチを用い,オーストラリアの公共EDにおけるED提示の潜在亜群を同定し,(ii)サブグループを用い,ED提示の臨床,社会人口統計および時間と関係した特徴を比較することを目的にした。方法:著者らは,2009年から2014年までのクイーンズランドにおける4つの公共病院EDsに対する提示を検討した。教師なし機械学習アルゴリズム,クラスタ化大規模アプリケーションを用いて,ED提示をクラスタ化した。結果:EDsに共通する6つのサブグループがあり,主に年齢によって区別でき,その後,トリアージカテゴリー,EDの長さ,到着モード,出発状態,およびいくつかの時間関連属性が続いた。全提示の約10%から30%は,高齢患者(55+歳)の半数で,高い資源利用を持っていた。人口当たりのED資源利用は,最も古いコホートの間で最も高かった(75+年)。子供と若年成人は,主に日日に関して,一般開業時間外でEDに頻繁に提示された。高齢者は,特定の時間,日または季節よりむしろ,どの時間でも存在する可能性が高い。一般的に使用されるアクセス目標指標に対して測定したEDサービス性能は,高齢者に対してほとんど満足されず,子供に対して頻繁に満足された。結論:大規模な混合型データにおける潜在的グループを見つけるのに,大規模なアプリケーションをクラスタ化することは,本研究で実証されたように有効である。6種類のED提示を同定し,臨床的に関連する特徴を用いて記述した。本研究は,患者の異なるグループのケアニーズの周りで調整したケアの代替EDモデルを開発するためのオーストラリアにおける政策立案者のエビデンスを提供し,それによって急性医療の持続可能なデリバリーを支持する。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  オーストラリア連邦 ,  クラスタ化 ,  応用プログラム ,  子供 ,  臨床医学 ,  *患者 ,  母集団 ,  指標 ,  *機械学習 ,  トリアージ
準シソーラス用語： *救急救命室 ,  若年成人 ,  データ駆動 ,  資源利用 , 【Automatic Indexing@JST】

著者キーワード (5件)： クラスタリング ,  大規模アプリケーションのクラスタリング ,  救急部門 ,  プレゼンテーション ,  サブグループ

分類 (5件)： 小児科の治療  (GC08040I) ,  産業衛生,産業災害  (GB05000S) ,  老化と死  (EJ16040S) ,  パターン認識  (JE07000S) ,  先天性疾患・奇形の診断  (GD03020G)

タイトルに関連する用語 (5件)： 患者 ,  サブ ,  グループ ,  同定 ,  機械学習