使用机器学习改善南非外科病人的再入院风险

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 公共卫生 公共卫生

背景情况:

• 无计划的30天再接收是一个重大的全球和南非医疗保健挑战.
• 预测再入院对于改善患者的治疗结果和优化公共医院的资源配置至关重要.

研究的目的:

• 开发和评估一种机器学习模型,用于预测非计划的外科手术和创伤再入院.
• 利用电子健康记录中的非结构化文本数据进行再接收预测.

主要方法:

• 患者记录的回顾性队列分析.
• 应用随机森林分析与自然语言处理 (NLP) 和情绪分析相结合.
• 从电子注册表中的自由文本数据中提取见解.

主要成果:

• 曲线下的实现面积 (AUC) 值从0.54到0.92不等,与全球基准一致.
• 确定出院计划得分是创伤再入院的主要预测因素.
• 确定问题得分是手术再入院的主要预测因素.

结论:

• 机器学习和NLP技术提高了预测计划外患者再入院的准确性.
• 特定的预测变量 (出院计划,问题得分) 对不同患者队列 (创伤,手术) 至关重要.
• 这种方法为南非公共医院提供了一种有价值的工具,可以主动管理再接收风险.