May, 2023

大型医院网络患者预后预测改善运营

PDF
TL;DR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。
machine learninghealthcarepatient outcomeshospital managementpredictive modeling
发现论文，激发创造
  • 使用自我监督知识融合从入院记录中预测临床结果

    该研究旨在通过临床文本的预测，预防医生忽略潜在风险并帮助医院规划能力。使用语言模型分析预测诊断结果、手术、住院死亡率和住院时间。提出了临床结局预训练来整合多个公共来源的患者结局知识，并提出了一种将 ICD 编码层次结构纳入模型的简单方法，以提高模型的性能和可迁移性，同时也揭示了模型的一些缺陷。

    Feb, 2021

  • 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

    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。

    Jun, 2022

  • 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

  • 利用住院时间预测和离散事件模拟评估紧急科短期住院部的影响

    我们旨在建立一个决策支持系统，以预测从急诊部入院的患者在医院的住院时间，结果表明利用患者入院特征可以相对准确地预测住院时间。

    Aug, 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

  • 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

  • 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

  • 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

  • 利用领域自适应进行医院管理的住院期预测

    本文使用历史数据和机器学习技术，将域适应应用于病人的入院单位，从而预测早期的住院时间，并设计了一个适合临床决策支持系统的预测模型。

    Jun, 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