一个整体模型用于预测急诊室患者的处置
Kuang-Ming Kuo1, Yih-Lon Lin2, Chao Sheng Chang3,4
1Department of Business Management, National United University, No.1, 360301, Lienda, Miaoli, Taiwan.
这项研究开发了一种集体机器学习模型,用于预测急诊室 (ED) 患者的态度. 该模型准确预测患者流动,整合结构化和非结构化数据,以更好地管理医疗保健系统.
科学领域:
- 医疗保健信息学 医疗保健信息学
- 机器学习应用 机器学习应用
- 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医疗保健挑战,由人口老龄化和需求增加加剧.
- 机器学习 (ML) 为预测ED患者倾向提供了一个潜在的解决方案,旨在缓解拥挤和改善患者流动.
- 开发准确的预测模型对于优化局部医疗保健系统和有效管理患者护理至关重要.
研究的目的:
- 开发和评估一个整体机器学习模型,用于预测急诊室 (ED) 患者的情绪.
- 整合各种数据类型,包括结构化和非结构化信息,以提高预测准确度.
- 解决医疗保健系统不断变化的需求,面临诸如ED过度拥挤等挑战.
主要方法:
- 这是一项采用2018-2019年80,073名ED患者记录的横截面研究.
- 一个整体模型结合了两个随机森林基础学习者 (结构化和非结构化数据) 与一个多层感知器元学习者.
- 使用结构化数据 (人口统计,生命体征) 和预处理的非结构化数据 (首席投诉,初步诊断),编码为词包 (BOW) 和术语频率反向文档频率 (TF-IDF).
主要成果:
- 整体模型实现了高预测性能,接收器操作特征曲线 (AUC) 下的面积为0.94.4.
- 使用BOW和TF-IDF编码的非结构化数据的模型显示了可比性能.
- 关键预测因素包括结构性特征 (年龄,脉率,缩血压,温度,敏度水平) 和非结构性特征 (肺炎,骨折,失败,怀疑,败血症).
结论:
- 集体学习,当应用于结构化和非结构化数据的组合时,是一种有效的预测方法,用于确定ED患者的倾向.
- 该研究强调了机器学习在改善ED患者流量和资源管理方面的潜力.
- 这些发现支持集成先进的分析技术,以应对ED过度拥挤等关键医疗保健挑战.
更多相关视频
09:52Setting Up a Stroke Team Algorithm and Conducting Simulation-based Training in the Emergency Department - A Practical Guide
Published on: January 15, 2017
04:05Author Spotlight: Unveiling Prognostic Indicators in Heart Failure - The Role of Phase Angle and Bioelectrical Impedance Analysis
Published on: June 30, 2023
相关概念视频
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Methods of Documentation VII: EMR
Models of Health Promotion and Illness Prevention I
The health belief model (HBM) attempts to predict health-related behavior in specific belief patterns. According to the HBM, a person's...
Models of Health Promotion and Illness Prevention II
The agent-host-environment model states that disease results...
Mechanistic Models: Compartment Models in Individual and Population Analysis
