预测住院和等待时间在24小时内急诊室的病人与非结构化的文本数据的预测
Hyeram Seo1, Imjin Ahn2, Hansle Gwon2
1Department of Medical Science, Asan Medical Institute of Convergence Science and Technology, Asan Medical Center, University of Ulsan College of Medicine, 88, Olympicro 43gil, 05505, Seoul, Songpagu, Korea.
这项研究开发了一种廉价的工具,使用机器学习和电子健康记录来预测急诊室患者住院和等待时间,旨在减少拥挤.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 紧急医疗 紧急医疗
背景情况:
- 紧急部门 (ED) 过度拥挤是一个重大的全球问题,具有不利的结果.
- 需要临床决策工具来管理ED的患者流动和资源分配.
研究的目的:
- 开发使用电子病历 (EMR) 的可访问和具有成本效益的工具,以帮助ED医生.
- 预测患者在24小时内入院的可能性,并估计等待时间.
主要方法:
- 开发和评估了机器学习模型,用于预测住院和等待时间.
- 来自EMR的非结构化文本数据被纳入以提高模型性能.
- 极端梯度增强 (XGBoost) 模型被确定为表现最好的模型.
主要成果:
- 结合文本数据的XGBoost模型实现了0.922的接收器操作特征曲线 (AUROC) 下面的面积和0.687.68的精度召回曲线 (AUPRC) 下面的面积.
- 该模型显示,时间估计的平均绝对误差约为3小时.
- 可解释的AI确定了影响患者入院概率 (低,中,高) 的关键因素.
结论:
- 一个新的,高性能的机器学习工具可以有效地预测ED患者的倾向和等待时间.
- 整合非结构化的EMR数据显著提高了预测模型的准确性.
- 开发的工具,显示在电子仪表板上,支持医生决策,以减轻ED过度拥挤和产生社会经济效益.
更多相关视频
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 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
Hospitals-I
Methods of Documentation VII: EMR
Steps in Outbreak Investigation
Issues And Trends In Healthcare Delivery System
Cost Containment
Payment for healthcare services has historically promoted adoption of costly and often unnecessary or inefficient...
Introduction To Survival Analysis
The primary goal of survival analysis is to estimate survival time—the time...
Hospitals-II
Nurses that work in...
