拡張現実インテリジェンスによる患者再入院リスクの監視と予測へ

arXiv:2603.20556v1 発表タイプ：cross 要旨：病院の再入院は、糖尿病などの慢性疾患を抱える患者にとって特に課題となっています。30 日以内の計画外再入院はコストを高くし、病院の資源を消耗させ、ケアの連携や退院計画の不備を示唆する可能性があります。本稿では、糖尿病入院患者の再入院リスクを予測するために機械学習の利用を検討し、効果的な視覚化と洞察を提供するための混合現実（MR）技術を提案します。データクリーニング、エンコード、フィーチャーエンジニアリングの後に XGBoost クラシファイアをトレーニングしました。モデルは、受容者運用特性曲線下的面積（AUROC）0.72、精密度 - 再現曲線下的面積（AUPRC）0.11 を達成しました。重要な予測因子には、過去の入院回数、退院の処置方針、A1C（血糖値検査）結果や薬剤調整といった糖化コントロールの指標が含まれていました。さらに、患者記録とリスクレベル、主要な寄与因子、ケアの要約を含む予測を含めた MR プロトタイプを開発しました。予測モデルと MR インターフェースの組み合わせは、現実的な臨床環境において再入院リスクについての医師の意識とコミュニケーション向上を目指しています。

arXiv:2603.20556v1 Announce Type: cross Abstract: Hospital readmissions remain a challenge for healthcare systems, especially among patients with chronic conditions such as diabetes. Unplanned readmissions within 30 days are costly, strain hospital resources, and can indicate poor care coordination or discharge planning. In this work, we explore the use of machine learning to predict readmission risk for diabetic inpatients and propose a mixed reality (MR) to provide effective visualization and insights. We trained an XGBoost classifier after data cleaning, encoding, and feature engineering. The model achieved an Area Under the Receiver Operating characteristic Curve (AUROC) of 0.72 and an Area Under the Precision-Recall Curve (AUPRC) of 0.11. Key predictive factors included prior inpatient visits, discharge disposition, and glycemic control indicators such as A1C (blood sugar test) results and medication adjustments. Additionally, we developed an MR prototype that visualize patient records and predictions containing risk level, major contributing factors, and a concise summary of care. Together, the predictive model and the MR interface aim to improve clinician awareness and communication around readmission risk in real-time clinical settings.