著者

相川 慎也 芦原 貴司 天野 晃 有末 伊織 安藤 譲二 伊井 仁志 出江 紳一 伊東 保志 稲田 慎 井上 雅仁 今井 健 岩下 篤司 上村 和紀 内野 詠一郎 宇野 友貴 江村 拓人 大内田 研宙 大城 理 太田 淳 太田 岳 大谷 智仁 大家 渓 岡 崇史 岡崎 哲三 岡本 和也 岡山 慶太 小倉 正恒 小山 大介 海住 太郎 片山 統裕 勝田 稔三 加藤 雄樹 加納 慎一郎 鎌倉 令 亀田 成司 河添 悦昌 河野 喬仁 紀ノ定 保臣 木村 映善 木村 真之 粂 直人 藏富 壮留 黒田 知宏 小島 諒介 小西 有人 此内 緑 小林 哲生 坂田 泰史 朔 啓太 篠原 一彦 白記 達也 代田 悠一郎 杉山 治 鈴木 隆文 鈴木 英夫 外海 洋平 高橋 宏和 田代 洋行 田村 寛 寺澤 靖雄 飛松 省三 戸伏 倫之 中沢 一雄 中村 大輔 西川 拓也 西本 伸志 野村 泰伸 羽山 陽介 原口 亮 日比野 浩 平木 秀輔 平野 諒司 深山 理 稲岡 秀検 堀江 亮太 松村 泰志 松本 繁巳 溝手 勇 向井 正和 牟田口 淳 門司 恵介 百瀬 桂子 八木 哲也 柳原 一照 山口 陽平 山田 直生 山本 希美子 湯本 真人 横田 慎一郎 吉原 博幸 江藤 正俊 大城 理 岡山 慶太 川田 徹 紀ノ岡 正博 黒田 知宏 坂田 泰史 杉町 勝 中沢 一雄 中島 一樹 成瀬 恵治 橋爪 誠 原口 亮 平田 雅之 福岡 豊 不二門 尚 村田 正治 守本 祐司 横澤 宏一 吉田 正樹 和田 成生

出版者

公益社団法人 日本生体医工学会

雑誌

生体医工学 (ISSN:1347443X)

巻号頁・発行日

vol.Dictionary.1, pp.1-603, 2022 (Released:2022-03-31)

著者

横田 慎一郎

出版者

東京大学

雑誌

若手研究(B)

巻号頁・発行日

2016-04-01

---

機械学習手法により感度64.9%、特異度69.6%の患者転倒リスク評価モデルを構築した。成績は従来研究と同等程度で、構築に延べ40日間の計算を必要とすることから効率がよいとは言えない。次に、過去に電子カルテ実装した転倒リスク判別ツールの影響を、実装前後期間で比較したところ、入院患者の患者の転倒発生確率は、実装後期間において低下し、実装後期間におけるツール使用患者と非使用患者では不変であった。また、転倒報告書と転落報告書を機械学習手法により実験的に分析したところ、臨床現場での転倒関連概念の認識が曖昧である可能性を示唆した。いずれも電子カルテ等データを用いた後ろ向き観察研究として実施した。

著者

瀬戸 僚馬 鮎澤 ひとみ 中西 寛子 根本 明宜 横田 慎一郎 藤咲 喜丈 木戸 須美子 前田 直美 岡峯 栄子

出版者

日本診療情報管理学会

雑誌

診療情報管理 : 日本診療情報管理学会誌 (ISSN:18837972)

巻号頁・発行日

vol.31, no.2, pp.64-67, 2019-12

著者

寺本 千恵 永田 智子 成瀬 昂 横田 慎一郎 山本 則子

出版者

公益社団法人 日本看護科学学会

雑誌

日本看護科学会誌 (ISSN:02875330)

巻号頁・発行日

vol.38, pp.336-345, 2018

---

<p><b>目的:</b>救急外来受診後30日以内の再受診例に関し,再受診の原因や経緯からパターンを見いだすことを目的とした.</p><p><b>方法:</b>診療録による比較事例研究の手法で分析した.2013年2月~12月に都内1大学病院救急外来を受診した患者のうち30日以内に再受診をした者を対象とした.事例―コードマトリックスによる分析から事例をパターン分類し,パターン別に群間比較した.</p><p><b>結果:</b>136事例は,初回受診時に医師から再受診を促された【予定再受診】,帰宅後に再受診を促された【医療職者の指示による再受診】,同じ症状が悪化した【医療が必要になった再受診】,異なる症状が出現した【異なるエピソードでの再受診】,再受診の必要性が低いと思われる【軽症での再受診】の5つのパターンに分類された.</p><p><b>結論:</b>本研究では,救急外来の再受診には5つのパターンがあること,初回の救急受診時に患者のパターンを把握し,それぞれに必要な支援をすることの重要性が示唆された.</p>

著者

三谷 知広 土井 俊祐 横田 慎一郎 今井 健 大江 和彦

出版者

一般社団法人 人工知能学会

雑誌

人工知能学会全国大会論文集 第33回全国大会(2019)

巻号頁・発行日

pp.2N3J1303, 2019 (Released:2019-06-01)

---

誤った患者からの採血は再検査や誤診などの原因となり,提出された検体の0.1%〜0.3%に発生すると言われている.検体検査結果のチェック機構としては、各項目が前回値とどの程度変化したかを比較するデルタチェックと呼ばれる手法が広く用いられているが,その精度は十分とは言えない.当院における実際の採血結果から人工的な取り違えデータを作成し,主に前回値との差を特徴量として機械学習モデルによる取り違えの検出システムを構築した.デルタチェックによるROC AUCは0.9408であったのに対し,XGBoostによる最終モデルにおけるROC AUCは0.9986であった.