Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Prediction Intervals01:03

Prediction Intervals

3.1K
The interval estimate of any variable is known as the prediction interval. It helps decide if a point estimate is dependable.
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y. 
3.1K
End Point Prediction: Gran Plot01:07

End Point Prediction: Gran Plot

1.1K
A Gran plot is used to predict the equivalence volume or endpoint of a potentiometric or acid-base titration without reaching the endpoint. Typically, titration data is collected as a function of the titrant's volume up to a point less than the equivalence volume and then transformed into a linear format. The straight line is extended to the x-axis, indicating the necessary titrant volume to achieve the equivalence point.
For potentiometric titration, the Gran plot is created by plotting...
1.1K
Sensitivity, Specificity, and Predicted Value01:13

Sensitivity, Specificity, and Predicted Value

1.2K
In healthcare diagnostics, laboratory tests play a crucial role in identifying and diagnosing a wide range of medical conditions. However, interpreting test results is not always straightforward. An abnormal test result does not always confirm the presence of a disease, just as a normal result does not guarantee its absence. To assess the reliability of these diagnostic tools, healthcare practitioners rely on two key statistical indicators: sensitivity and specificity.
Sensitivity is the...
1.2K

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same authorSame journal

Cardio-respiratory deep learning model to predict hospital admission from emergency department electrocardiogram images and respiration videos: a prospective study.

BioData mining·2026
Same author

Artificial Intelligence-Assisted Screening for Patients With Diabetic Retinopathy and Age-Related Macular Degeneration in Family Medicine and Geriatric and Gerontology Care: Protocol for a Pragmatic Randomized Clinical Trial.

JMIR research protocols·2026
Same author

Comparison of the outcomes of targeted temperature management for the cardiac arrest patients with and without diabetes mellitus: The TIMECARD study.

Journal of the Formosan Medical Association = Taiwan yi zhi·2026
Same author

External validation of the R-EDByUS score for neuroprognostication in out-of-hospital cardiac arrest.

Resuscitation plus·2026
Same author

Physician Gestalt for Anemia Detection in the Emergency Department: A Prospective Study.

The western journal of emergency medicine·2026
Same author

Multimodal Depression Detection Through Conversational Interactions with an Emotion-Aware Social Robot: Pilot Study.

JMIR formative research·2026

関連する実験動画

Updated: Jan 7, 2026

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
06:22

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

Published on: September 19, 2025

395

深層学習による救急科再来予測（Deep Revisit）：開発と検証研究

Su-Yin Hsu1, Jhe-Yi Jhu1, Jun-Wan Gao2

  • 1Department of Computer Science and Information Engineering, National Taiwan University, CSIE Der Tian Hall No. 1, Sec. 4, Roosevelt Road, Taipei, 106319, Taiwan.

BioData mining
|December 20, 2025
PubMed
まとめ

本研究では、静的および動的患者データを使用してリスクの高い救急科（ED）再来を予測するためのハイブリッド深層学習モデルを導入します。このモデルは予測精度を大幅に向上させ、臨床的意思決定を支援します。

キーワード:
深層学習救急科再来ハイブリッドモデル時系列データ

さらに関連する動画

An R-Based Landscape Validation of a Competing Risk Model
05:37

An R-Based Landscape Validation of a Competing Risk Model

Published on: September 16, 2022

2.5K

関連する実験動画

Last Updated: Jan 7, 2026

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
06:22

Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections

Published on: September 19, 2025

395
An R-Based Landscape Validation of a Competing Risk Model
05:37

An R-Based Landscape Validation of a Competing Risk Model

Published on: September 16, 2022

2.5K

科学分野:

  • 救急医学
  • 人工知能
  • 臨床情報学

背景:

  • 救急科（ED）の再来は重大な懸念事項であり、リスクの高い再来は緊急の注意を必要とします。
  • ED再来予測のための既存の機械学習モデルは、動的な患者機能を十分に活用していないことがよくあります。
  • この問題に対する深層学習アプローチは比較的未踏です。

研究 の 目的:

  • 救急科再来を予測するための新しいハイブリッド深層学習モデルを開発および評価すること。
  • 予測精度を向上させるために、静的および動的臨床機能の両方を統合すること。
  • リスクの高いED再来ケースをより効果的に特定すること。

主な方法:

  • Temporal Convolutional Network（TCN）とFT-Transformerを組み合わせたハイブリッド深層学習モデルを開発しました。
  • このモデルは、国立台湾大学病院（NTUH）のデータから静的（年齢、性別、トリアージ）および動的（バイタルサイン）機能を利用しました。
  • 時間的データの不規則性を処理するために前処理戦略が実装されました。

主要な成果:

  • モデルは、リスクの高い再来に対して0.8453、一般的な再来に対して0.7250のAUROCを達成しました。
  • 静的データのみのロジスティック回帰ベースラインと比較して、ハイブリッドモデルはAUPRCと精度において大幅な改善を示しました。
  • モデルは、異なる期間の検証データで堅牢なパフォーマンスを示しました。

結論:

  • 提案されたハイブリッド深層学習モデルは、ED再来予測のための従来のモデルを大幅に上回っています。
  • 深層学習を使用したマルチモーダル臨床データ融合は、ED再来予測を強化するのに効果的です。
  • このモデルは、患者管理のための臨床的意思決定をサポートする可能性を示しています。