机器学习模型用于预测近期急性冠状动脉综合征患者的医疗费用:一项前性试点研究
Arto J Hautala1, Babooshka Shavazipour2, Bekir Afsar2
1Faculty of Sport and Health Sciences, University of Jyvaskyla, Jyvaskyla, Finland.
机器学习模型可以预测急性冠状动脉综合征患者的医疗费用. 较高的抑郁症分数显著预测了一年成本,有助于在治疗策略中分配资源.
科学领域:
- 心脏病学 心脏病学
- 卫生经济学 卫生经济学
- 机器学习 机器学习
背景情况:
- 医疗保健预算有限,需要最佳的资源配置.
- 机器学习 (ML) 提供了有效利用医疗保健资源的巨大潜力.
研究的目的:
- 评估ML工具,用于预测急性冠状动脉综合征 (ACS) 患者的医疗费用.
- 评估已知的风险标志物对一年医疗保健成本的贡献.
主要方法:
- 利用交叉分解算法,根据对差异的影响对风险标志物进行排名.
- 开发了13种使用回归分析的预测模型,顺序添加排名最高的风险标志物.
- 从电子健康登记册收集的基线风险标记数据和一年的医疗保健费用.
主要成果:
- 抑郁症量表是最强的预测指标,占成本的16% (r = 0.395,P = .001).
- 添加LDL胆固醇和左心室喷射分数提高了成本预测的24% (P = .001).
- 平均每年医疗保健费用为每名患者2601欧元±5378欧元.
结论:
- 抑郁症得分升高是ACS患者1年的医疗费用的主要预测因素.
- 机器学习工具可以支持决策,以优化治疗策略和资源配置.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Acute Coronary Syndrome III: Diagnostic Studies
Acute Coronary Syndrome IV: Interprofessional Care
Clearance Models: Noncompartmental Models
The noncompartmental approach capitalizes on extensive sampling data, correlating the volume of distribution to systemic exposure and the administered dosage. This method enables...
Mechanistic Models: Compartment Models in Individual and Population Analysis
Acute Coronary Syndrome V: Nursing Management
Acute Coronary Syndrome I: Introduction
