针对韩国中年成年人未满足的医疗需求的机器学习方法:一个横截面研究

科学领域:

• 医疗保健服务研究 医疗服务研究
• 医疗信息学 医疗信息学
• 公共卫生 公共卫生

背景情况:

• 韩国面临着大量未满足的医疗需求 (UMN),特别影响中年成人人口.
• 这种人口对国家劳动力至关重要,需要积极的健康管理,以保持持续的生产力.
• 了解这个群体的UMN因素对于有针对性的健康干预至关重要.

研究的目的:

• 确定与韩国经济活跃的中年成人未满足医疗需求 (UMN) 相关的关键因素.
• 开发和评估UMN在该群体中发生的预测模型.
• 为改善中年成年人获得和管理医疗保健的战略提供信息.

主要方法:

• 来自2020年韩国卫生小组调查的3,575名经济活跃的中年成年人的分析.
• 应用多种机器学习模型,包括物流回归,随机森林,天真贝叶斯,梯度增强和神经网络.
• 模型性能评估使用十倍交叉验证,AUROC,准确性,精度,回忆,F-1分数和MCC.

主要成果:

• 中年成年人中未满足医疗需求 (UMN) 的患病率为15.6%.
• 随机森林模型展示了最高的预测能力,AUROC为0.831,准确度为0.862,F-1得分为0.820.
• 主观压力和主观健康意识成为影响UMN发生的主要因素.

结论:

• 心理支持,特别是定期的压力管理,对于中年成年人解决UMN至关重要.
• 当前预测模型的AUROC通过结合额外的变量表明有改进的余地.
• 进一步的研究应该集中在识别补充因素,以提高UMN预测的准确性.