May, 2022

利用机器学习预测急诊诊所的患者需求

PDF
TL;DR本文研究了使用机器学习方法在新西兰奥克兰的两家大型急诊诊所准确预测未来三个月每天的患者需求，并通过分析模型行为，探讨预测最有效特征，适应 Covid-19 引起需求波动的特征。结果表明，集成方法比现有的内部方法提供了更准确和一致的解决方案，能够提高 23％-27％的每日需求估算。
urgent care clinicsmachine learningpatient demand forecastingcovid-19ensemble-based methods
发现论文，激发创造
  • 利用简单和先进的机器学习增强医院中的不确定需求预测

    通过使用机器学习，本研究探索了预测变时患者护理需求的效用，并表明可以利用机器学习提前三天或一周以 4 名患者的准确度预测患者护理需求。

    Apr, 2024

  • 应用高级机器学习模型和多变量输入预测急诊科拥堵

    应用先进的机器学习模型（N-BEATS 和 LightGBM）对急诊科床位 24 小时之后的占用情况进行预测，结果显示 N-BEATS 和 LightGBM 优于统计基准模型，而 DeepAR 模型能以 0.76（95% CI 0.69-0.84）的 AUC 值预测下一天的拥堵情况。据我们所知，这是首次在急诊科预测上证明了 LightGBM 和 N-BEATS 优于统计基准模型。

    Aug, 2023

  • 预测调度

    探讨利用机器学习算法进行医学影像诊断的问题，并提出在线调度问题的解决方案，通过分析来自不同紧迫性病人的数据，制定出优先顺序以提高病人救治效率。

    Dec, 2022

  • 使用多源迁移学习预测 COVID-19 患者的急诊再访

    本文旨在开发出一种预测新冠肺炎患者出院后 7 天内是否重新入院的模型，研究使用了电子健康记录（EHRs）和自然语言处理技术 ScispaCy，以及域对抗神经网络等方法对数据进行处理。结果表明，Multi-DANN 模型可以更好地预测 COVID-19 病人在出院后 7 天内是否需要再次求诊。

    Jun, 2023

  • 大型医院网络患者预后预测改善运营

    本研究使用机器学习算法基于患者数据预测患者短期和长期预后，以及病人的出院去向等重要临床结果，帮助医疗团队提升决策质量并实现有效的医院管理。实施该工具后平均每位患者住院时间减少了 0.67 天，每年可为医疗系统创造高达 5500 万至 7200 万美元的经济效益。

    May, 2023

  • 可解释机器学习在 ICU 复诊预测中的应用

    通过标准化和可解释的机器学习流程，该研究在多中心数据库上建模和预测了患者再次入院，使用随机森林分类模型获得了高达 0.7 的预测性能，并提供了对生命体征、血液检查、人口统计学信息和 ICU 相关变量等方面的有见地的结果，对临床医生的决策提供了宝贵的信息。

    Sep, 2023

  • 应用集成优化和机器学习模型预测急诊病人的入院状态

    本文提出了一种基于机器学习算法优化的框架，以急诊部门的患者入院情况为例进行实证研究，利用大规模的患者数据和三种新的机器学习算法对传统算法进行对比，结果表明新算法在 AUC 等五个指标上表现更好，其中 T-ADAB 算法效果最佳，最优模型的 AUC、灵敏度、特异度、F1 和准确率分别达到 95.4%、99.3%、91.4%、95.2% 和 97.2%。

    Feb, 2022

  • 机器学习模型预测疫情爆发

    使用机器学习和深度学习算法，预测纽约州新的一次流感、肝炎和疟疾的疫情爆发，并创建了一个可在爆发时向当局和医疗组织发送警报的门户网站。

    Oct, 2023

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • 预测急诊科出院后住院风险的升高

    用数据挖掘技术分析医院数据集，构建高准确度的预测模型，帮助医生在急诊科病人出院前预测早期住院的风险。

    Jun, 2024