用C4.5和神经网络预测尾切除术患者的诊断相关组的预测
Yi-Cheng Chiang1,2, Yin-Chia Hsieh3, Long-Chuan Lu3
1Department of Information Management, National Chung-Cheng University, Chia-Yi 621301, Taiwan.
Healthcare (Basel, Switzerland)
|June 10, 2023
概括
在入院时预测尾切除术患者的诊断相关组 (DRG) 代码可以改善医院资源配置. 这项研究使用C4.5和逆传播神经网络模型证明了高准确性,提高了患者护理质量.
科学领域:
- 卫生经济学 卫生经济学
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
背景情况:
- 随着医疗保险成本的上升,医疗保健中需要成本控制策略.
- 诊断相关集团 (DRG) 支付系统在全球范围内广泛用于管理医疗保健支出.
- 准确的DRG代码分配通常只有在患者出院后才得到确认,从而限制了主动资源管理.
研究的目的:
- 预测尾切除术患者在入院时的DRG代码分类.
- 评估机器学习模型在早期DRG代码预测中的有效性.
- 为了实现主动的医院资源分配和提高患者护理质量.
主要方法:
- 开发和应用两个分类模型:C4.5算法和反向传播神经网络 (BPN).
- 利用从两个不同的医院环境中收集的患者数据进行模型培训和验证.
- 对比C4.5和BPN模型对尾切除术DRG代码的预测准确度.
主要成果:
- C4.5分类模型实现了高达97.84%的预测准确度.
- 反向传播神经网络 (BPN) 模型显示出高达98.70%的更高预测准确度.
- 这两种模型都显示出在患者出院前准确预测DRG代码的巨大潜力.
结论:
- 对尾切除术患者的DRG代码的早期预测是可行的,使用机器学习高精度.
- 准确的DRG代码预测允许医院主动优化医疗资源分配.
- 通过预测性DRG编码来改善资源管理,可以提高患者护理的质量.
