一种以自然语言处理为灵感的新方法 (检测,初始表征和语义表征) 来调查医疗保健数据中的时间变化 (流动):定量研究

科学领域:

• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 分析医疗保健数据对于改善患者治疗结果和了解治疗影响至关重要.
• 健康数据的时间变化,就像在COVID-19大流行期间看到的,显著影响患者的特征和结果.
• 了解这些时间动态对于准确的医疗保健分析至关重要.

研究的目的:

• 提出一种新的方法,检测,初始表征和语义表征 (DIS),用于分析健康结果和变量的时间变化.
• 随着时间的推移,发现大型医疗保健数据集中的上下文变化.
• 通过分析时间数据转移来确定推动患者结果变化的因素.

主要方法:

• DIS方法集成了三个步骤:数据漂移的检测,数据分布变化的初始表征和使用NLP启发技术的语义表征.
• 詹森-香农分歧用于有效检测显著数据漂移.
• 该方法结合了机器学习和自然语言处理,以分析医疗保健数据的时间变化.

主要成果:

• DIS方法成功地确定了COVID-19和MIMIC-IV数据集中的数据漂移,并揭示了死亡率下降的原因.
• 突出了影响结果的关键因素,如疫苗接种和减少催产素事件.
• 确定了患者人口统计和疾病模式的变化,为不断变化的医疗保健格局提供了洞察力.

结论:

• 开发了一种结合机器学习和NLP的新方法,以检测,描述和理解医疗保健数据中的时间变化.
• 这种理解增强了预测算法,改善了患者的治疗结果,并优化了医疗保健资源分配.
• DIS方法适用于研究数据集之外的各种医疗保健数据分析场景.