一个探索性分类框架的脑卒中后丧症严重程度使用行政数据:行政数据丧症严重程度尺度

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 对大数据进行准确的分类对于中风后食障碍研究和医疗保健决策至关重要.
• 目前的医学编码缺乏管理工具来分类中风后食症的严重程度.
• 需要一个新的分类框架来对脑卒中后失足症的严重程度进行分类.

研究的目的:

• 开发一种新的分类框架,以对脑卒中后失足症的严重程度进行分类.
• 利用行政数据来对中风患者的缺食症严重程度进行分类.
• 探索中风严重程度和失足症严重程度之间的关系.

主要方法:

• 利用了来自2017年医疗保险5%有限数据集的445名急性缺血性中风患者的数据.
• 雇佣的无监督的k-means集群是基于国际疾病分类第十次修订 (ICD-10) 代码衍生出来的消化不良指标.
• 通过将算法应用于三个随机60%数据样本来验证集群稳定性.

主要成果:

• 开发了一个三集群算法,将失消症的严重程度分为轻度,中度和严重.
• 分析显示,确定的失消症严重程度集群与中风严重程度类别不相似.
• 该分类框架在多个数据样本中显示出稳定性.

结论:

• 开发了一种新的基于数据的行政框架,用于分类中风后食障碍的严重程度.
• 在中风严重程度和失足症严重程度之间观察到显著的不一致.
• 这些发现对行政中风后食障碍研究中的分类方法有影响,并表明需要未来的验证研究.