机器学习对精神病学数据的分类与患者受伤赔偿索赔相关

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 精神病患者的安全性

背景情况:

• 在医疗保健中,不良事件很普遍,但在精神病治疗中,赔偿索赔的频率低于其他专业.
• 常见的精神病患者伤害索赔涉及诊断错误,自杀或不适当的强制性治疗.
• 了解和分类这些声明对于提高患者安全和医疗保健质量至关重要.

研究的目的:

• 使用机器学习在精神病赔偿索赔中对患者伤害类型进行分类.
• 为这些伤害类别开发基于人工智能的分类模型.
• 为了实现对赔偿索赔决定的二进制分类 (接受/拒绝).

主要方法:

• 芬兰从赔偿索赔中获得的精神病学评估被使用人工智能机器学习分为六类.
• 进行了二次二进制分类,以区分被接受的索赔和被拒绝的索赔.
• 人工数据生成被用作预处理步骤,以提高分类准确性.

主要成果:

• 人工智能模型在六个伤害类别中取得了良好的分类结果.
• 索赔决定的二元分类更复杂但可行.
• 使用人工数据进行预处理,将分类准确度提高到六个类的88%,使用随机森林进行二进制分类的89%.

结论:

• 该研究成功地证明了使用机器学习来分类精神病患者伤害索赔的可行性.
• 基于人工智能的分类为分析赔偿索赔提供了一种可行的方法,并可能改善精神病学中的患者安全.
• 结果表明,人工智能可以合理地解决分析精神病赔偿索赔的定义目标.