emergency department
PulseAugur coverage of emergency department — every cluster mentioning emergency department across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
机器学习预测并预防医院急诊科拥挤
一篇新发表在arXiv上的研究探讨了使用机器学习主动管理急诊科（ED）拥挤问题。研究人员开发了一个仿真框架，该框架使用机器学习提前六小时预测拥挤情况，并触发主动的满负荷协议（FCPs）。该仿真基于一家大型美国医院的数据，结果显示与传统的被动方法相比，主动激活FCPs显著减少了急诊科超出拥挤阈值的时间，并缩短了协议持续时间。
-
研究发现：维多利亚州救护车滞留损失超149万小时
一篇新论文分析了2020年1月至2024年3月期间澳大利亚维多利亚州的救护车滞留延误情况，使用了超过200万次救护车转运的数据。研究发现，由于滞留造成的累计救护车损失时间总计超过149万小时，其中十家医院占了损失的一半以上。分析表明，尽管转运需求略有下降，但到2022年年度损失时间增加了57%，这表明交接效率有所下降。研究发现，交接的持续时间对患者病情危重程度的依赖性较小，而更多地取决于同时到达同一医院的救护车数量。
-
人工智能在筛查急诊再诊以进行质量保证方面显示出潜力
一篇新发表在arXiv上的研究探讨了人工智能（特别是GPT-4和ChatGPT）在筛查急诊科（ED）再诊以进行质量保证方面的应用。研究人员发现，GPT-4的初步评估与临床医生的评分相关性很差，常常将几乎所有病例标记为需要随访。然而，一个由LLM填充的知识图谱算法（KGA）显示出高阳性预测值，表明它可以在不显著增加工作量的情况下扩大筛查范围和产出。
-
AI框架旨在将医院急诊滞留时间缩短70%
研究人员开发了一个新的框架，通过主动申请住院床位来减少急诊科（ED）的滞留时间。该系统使用患者入院概率和离院时间的预测来指导早期床位申请，并将其表述为马尔可夫决策过程。使用大型急诊科数据的模拟表明，这些主动申请可以显著缩短滞留时间和总体住院时间，其中新供应商启发式方法在急诊科性能和住院床位利用率之间提供了有利的平衡。
-
AI模型难以在不同医院间推广自残预测能力
两篇新研究论文探讨了使用NLP模型从急诊分诊记录中预测自残的挑战和潜在解决方案。第一篇论文指出，不同医院之间的词汇和语义差异是模型泛化能力问题的关键原因。第二篇论文提出了一种基于证据增强的机器学习方法，将传统方法与基于LLM的筛查相结合，以提高模型在不同机构间的迁移能力，并准确识别自残方法。