使用大型管理数据来挖掘患者的风险分层轨迹:来自泌尿病的例子
Harvey Jia Wei Koh1,2,3, Dragan Gašević1,2, David Rankin2,4
1Centre for Learning Analytics, Faculty of Information Technology, Monash University, Clayton, Australia.
PloS one
|November 13, 2024
概括
在泌尿病学中确定患者的风险轨迹可以预测更差的健康结果. 基线并发症和诊断有助于识别患有并发症,长期住院和再入院风险的患者.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗保健服务研究 医疗服务研究
- 生物统计学 生物统计学
背景情况:
- 泌尿病患者表现出不同的住院模式.
- 了解这些轨迹对于改善患者的治疗结果和资源配置至关重要.
研究的目的:
- 为了确定泌尿病患者住院治疗轨迹的不同集群.
- 将这些集群与基线风险因素和质量指标联系起来.
主要方法:
- 使用了维多利亚州入院病例数据集 (2009-2019) 对98,782名泌尿病患者.
- 雇佣潜伏类轨迹建模 (LCTM) 来定义住院集群.
- 使用后勤回归来确定预测基线因素,包括并发症和诊断.
主要成果:
- 确定了五个不同的住院治疗轨迹集群.
- 更高的住院集群与住院时间,再入院和并发症的增加相关.
- 伴随性疾病 (脏疾病,糖尿病) 和特定诊断 (泌尿癌,良性前列腺增生) 与更高风险的轨迹有关.
结论:
- 一种新的LCTM方法有效地聚合了泌尿病患者住院的风险.
- 基线并发症和诊断是较高住院率和不良结果的重要预测因素.
- 这种方法使得有针对性的干预措施能够主动识别高风险患者.
更多相关视频
09:28Patient-derived Orthotopic Xenograft Models for Human Urothelial Cell Carcinoma and Colorectal Cancer Tumor Growth and Spontaneous Metastasis
Published on: May 12, 2019
10.1K
13:19Microarray-based Identification of Individual HERV Loci Expression: Application to Biomarker Discovery in Prostate Cancer
Published on: November 2, 2013
16.5K
