gxceed
← 論文一覧に戻る

Estimating Facility-Level Greenhouse Gas Emissions in U.S. Hospitals with Machine Learning Imputation of Incomplete Self-Reported Data

米国病院における施設レベルの温室効果ガス排出量の推定：不完全な自己報告データに対する機械学習補完 (AI 翻訳)

Hao Yin, Sandrah P. Eckel, Mehak Kaur, Gary Cohen, Lara Sutherland, Makaya Tome, Baoqi Eileen Chen, Arash Motamed, Najmedin Meshkati, Howard Hu, Rob McConnell, Bhavna Sharma

Cleaner Environmental Systems📚 査読済 / ジャーナル2026-06-01#炭素会計Origin: US
DOI: 10.1016/j.cesys.2026.100461
原典: https://doi.org/10.1016/j.cesys.2026.100461

🤖 gxceed AI 要約

日本語

自己報告データの欠損を機械学習で補完し、米国病院の施設レベルGHG排出量を推定する手法を提案。データ完全性向上による排出量算定の精度向上に貢献。

English

This study proposes a machine learning imputation approach to estimate facility-level GHG emissions in U.S. hospitals from incomplete self-reported data. It improves data completeness and accuracy for carbon accounting.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

米国病院に特化した研究だが、日本でも医療施設の排出量算定におけるデータ欠損問題は共通。機械学習補完手法は日本の病院や他施設への応用可能性がある。

In the global GX context

While focused on U.S. hospitals, the machine learning imputation method addresses a common data gap challenge in facility-level carbon accounting globally. It offers a scalable approach for improving emission estimates in sectors with incomplete self-reporting.

👥 読者別の含意

🔬研究者:Provides a methodological advance for handling incomplete emissions data using machine learning.

🏢実務担当者:Hospitals and facility managers can adopt this imputation technique to improve their GHG reporting accuracy.

🏛政策担当者:May inform data quality standards and encourage use of imputation methods for regulatory reporting.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。