Jun, 2023

利用领域自适应进行医院管理的住院期预测

PDF
TL;DR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。
inpatient length of staymachine learningdomain adaptationclinical decision support systemhospital management
发现论文，激发创造
  • 机器学习和统计方法在卒中患者住院时间预测中的文献综述

    该研究回顾了机器学习和统计方法在预测中风病人住院时间方面的研究，分析了目前研究领域中存在的一些矛盾之处，需要进一步研究了解中风患者住院时间的预测因素。

    Dec, 2021

  • 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

  • 利用患者事件序列预测住院天数

    此研究提出了一种基于 Transformer 模型的 Medic-BERT（M-BERT），通过将病人信息建模为事件序列来预测其住院天数，并在丹麦大型医院的 45000 多名急诊病人上进行了实验，结果表明 M-BERT 在各种住院时间问题上表现出色，优于传统非序列机器学习方法。

    Mar, 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

  • 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

  • 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

  • 可解释的医疗索赔建模（不仅是事后解释）以预防可避免的所有原因再入院或死亡

    使用 Bayesian 模型和医疗索赔数据构建了一个可解释的生存模型，预测患者出院后的复诊和死亡风险，除了提高准确度，还能够量化相关风险因素和出院前景。

    Aug, 2022

  • 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

  • 分析糖尿病患者住院时间的相关因素

    调查与 COVID-19 大流行加剧的糖尿病病例激增以及对医疗资源的压力之间不断增长的关切，并旨在构建一种预测模型，量化影响糖尿病患者住院时长的因素，为医院管理者提供改进患者管理策略的见解。

    Jun, 2024