预测住院时间使用机器学习对大型开放健康数据集进行预测

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 计算医学是一种计算医学.

背景情况:

• 越来越多的人要求政府在公共支出和决策过程中的透明度.
• 医疗保健数据是一个重要的经济部门,需要先进的计算方法来提取价值.
• 使用230万条记录的纽约州SPARCS数据集来分析患者逗留时间 (LoS).

研究的目的:

• 开发和评估机器学习模型,用于早期预测患者停留时间 (LoS).
• 与疾病特定模型不同,同时处理广泛的诊断 (285个CCS代码).
• 确保模型的可解释性和可解释性,以便在医疗保健中的实际应用.

主要方法:

• 研究的机器学习技术:特征工程,回归和分类树.
• 为新生儿和非新生儿开发了单独的预测模型.
• 专注于模型特征和结果的可解释性和可解释性.

主要成果:

• 新生儿的R平方得分为0.82 (线性回归),非新生儿的R平方得分为0.43 (catboost回归).
• 改善了心血管疾病病例的预测,R平方得分为0.62.2.
• 确定了关键预测因素:新生儿的出生体重和非新生儿的诊断相关组.

结论:

• 机器学习模型有效地预测患者入院时的LoS,提供实际实用性.
• 强调可解释性有助于研究人员的理解和复制.
• 调查结果支持医疗保健利益相关者进行成本估计,能力规划和加强医疗保健管理.