在医院前环境中提高患者安全:通过自然语言处理和机器学习分析患者对非运输决策的观点

科学领域:

• 在医院前的护理.
• 计算健康信息学 计算健康信息学
• 患者体验研究 研究研究

背景情况:

• 了解患者在医院前紧急护理后拒绝医院运输的决定,对于服务改善至关重要.
• 先进的计算技术为分析紧急医疗服务中的患者反和行为提供了新的方法.

研究的目的:

• 探索患者的经验和观点,医院运输下降后医院前护理.
• 利用先进的计算方法,包括自然语言处理和机器学习,以分析患者的情绪和预测拒绝后的行为.

主要方法:

• 采访了卡塔尔210名在哈马德医疗公司救护车服务 (HMCAS) 治疗后拒绝运输的患者.
• 情感分析和主题建模 (隐性迪里克莱特分配) 关于患者对拒绝原因和服务满意度的反应.
• 机器学习模型 (Naïve Bayes,KNN,随机森林,SVM) 用于预测拒绝后的行为.

主要成果:

• 参与者的平均年龄为38.61岁;常见的投诉包括胸部和腹部疼痛.
• 情绪分析表明,人们对HMCAS服务的看法普遍良好.
• 隐性迪里克莱特分配确定了拒绝原因和满意度的关键主题.
• 纯粹的贝叶斯和SVM模型在预测拒绝后的行为方面取得了81.58%的准确性.

结论:

• 自然语言处理和机器学习有效地提高了在医院前环境中对患者行为和情绪的理解.
• 计算方法提供了对患者人口统计和情绪的细微见解,支持质量改进计划.
• 建议不断整合自动反系统,以改善以患者为中心的医院前护理.