基于长短期记忆网络的医疗保险数据预测再入院率的进展

Jun, 2022

基于长短期记忆网络的医疗保险数据预测再入院率的进展

Advances in Prediction of Readmission Rates Using Long Term Short Term Memory Networks on Healthcare Insurance Data

Shuja Khalid, Francisco Matos, Ayman Abunimer, Joel Bartlett, Richard Duszak...

TL;DR利用保险数据，通过构建双向 LSTM 神经网络，本研究成功预测了医院的所有诊断病例中患者 30 天再次入院的风险。与随机森林分类器的结果相比，LSTM 模型的性能显著提高，证明了序列预测在该问题中的重要性。同时，加入了 30 天的历史数据后，模型的性能也有显著提高，提示历史诊疗记录的重要性。

Abstract

30-day hospital readmission is a long standing medical problem that affects patients' morbidity and mortality and costs billions of dollars annually. Recently, machine learning models have been created to predict

30-day hospital readmission machine learning lstm network insurance data risk prediction

发现论文，激发创造

神经网络与逻辑回归用于 30 天全因素再入院预测的比较

使用大量行政索赔数据，我们比较了不同预测模型在预测心力衰竭出院后 30 天再入院率方面的效果，并发现使用神经网络模型加时间线数据可以提高预测性能，而逻辑回归和神经网络模型一样。

Dec, 2018

使用长短期记忆网络预测 ICU 病死率

实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

Aug, 2023

基于电子健康记录的可解释深度学习框架用于预测医院再入院情况

通过利用患者电子健康记录中有用的信息和新颖可解释的深度学习框架，该研究致力于预测意外住院并提高预测结果的解释性，从而减少医院成本和改善患者健康。

Oct, 2023

通过从临床文本中提取生物医学概念预测患者的再入院

利用文本挖掘方法和患者电子档案中的出院报告文本进行患者再住院预测，本研究评估了各种机器学习模型在预测患者再住院过程中的效果，并比较了词袋法和概念词袋法两种方法，结果显示随机森林模型和概念词袋法在其他机器学习模型和方法中具有更高的效率，相比于在该领域使用机器学习模型的类似研究，本研究在预测患者再住院概率方面取得了最高分数，回忆率为 68.9%。

Mar, 2024

LSTM 神经网络与传统机器学习模型在预测糖尿病患者再入院方面的比较分析

该研究使用了 Diabetes 130-US Hospitals 数据集，利用各种传统机器学习模型（如 XGBoost、LightGBM、CatBoost、决策树和随机森林）进行分析和预测了糖尿病患者的再入院情况，并通过自主开发的 LSTM 神经网络进行对比。研究结果显示，LightGBM 是最佳的传统模型，而 XGBoost 位居第二，LSTM 模型在训练准确性较高的情况下存在过拟合问题。研究还使用了 SHAP 值提高了模型的解释性，并指出了实验结果中影响再入院预测的重要因素，如实验室过程数量和出院安排。该研究表明，在预测性医疗模型中，模型选择、验证和解释性是关键步骤，有助于医疗服务提供者设计干预措施，提高糖尿病患者的随访遵从性和管理效果。

Jun, 2024

多模态时空图神经网络在 30 天全因素住院再入院预测中的应用

本研究提出的多模态、模态不可知时空图神经网络（MM-STGNN）结合了多模态病人纵向数据，用于预测 30 天内入院后出现的所有原因再次入院风险，并在两个独立中心的电子健康记录和胸部 X 光数据集中证明其预测效果优于现有的临床参考标准 LACE + 分数。

Apr, 2022

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

基于纵向实验室检验的多任务疾病发作预测

本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

Aug, 2016

重症监护病房非计划性再入院预测：一种多模态评估

通过使用最先进的机器学习方法和自然语言处理，我们检验了每种数据类型的有效性和它们组合起来的影响，以预测 ICU 患者的再次入院情况，并且在这个数据集上建立了未计划再次入院的分类等级，最终发现医生写的出院记录比其他数据类型更能够预测再次入院的情况。

May, 2023