使用机器学习对政府数据源进行新型整合,以确定美国各县的超级利用情况
Iben M Ricket1, Michael E Matheny2,3,4,5, Todd A MacKenzie6
1Department of Epidemiology, Dartmouth Geisel School of Medicine at Dartmouth, Hanover, NH, USA.
使用政府数据预测美国各县资源密集型医疗保健 (RIHC) 的利用率,为识别超级用户提供了一种新的方法. 这种机器学习方法利用不同的人口特征来更好地管理医疗保健资源.
科学领域:
- 公共卫生 公共卫生
- 医疗保健服务研究 医疗服务研究
- 数据科学数据科学数据科学
背景情况:
- 超级用户占资源密集型医疗保健 (RIHC) 的比例不大.
- 减少RIHC利用是美国医疗保健系统面临的重大挑战.
- 需要在人口层面上识别超级利用,而不是在个人层面上.
研究的目的:
- 预测美国各县的RIHC利用情况.
- 利用常规收集的美国政府数据,包括消费者支出.
- 提供一种替代方法来识别人口单位的超利用.
主要方法:
- 使用来自五个政府来源的2017年横截面数据开发了一个机器学习管道.
- 结果指标包括每年的急诊室访问,住院治疗日和医院支出.
- 预测特征包括人口,健康,社区和消费者支出数据.
主要成果:
- 该研究包括2475个有急诊室的县和2491个有医院的县.
- 模型性能 (R平方) 从0.267到0.447.7不等.
- 人口和社区特征是所有RIHC结果的关键预测因素.
结论:
- 来自政府来源的不同人口特征可以预测美国各县的RIHC指标.
- 开发的模型为识别人口级超级用户提供了一种新且可操作的工具.
- 整合常规收集的数据为预测RIHC提供了替代方法.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
相关概念视频
Levels of Use of a GIS
Selected Data About Geographic Locations
Manipulation and Analysis
GIS Software, Hardware, and Sources of GIS Data
Applications of GIS: Disaster Management and Emergency Response
Introduction to GIS
