Aug, 2023

应用高级机器学习模型和多变量输入预测急诊科拥堵

PDF
TL;DR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。
emergency departmentcrowdingforecasting modelsmachine learningoccupancy
发现论文，激发创造
  • 利用机器学习预测急诊诊所的患者需求

    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。

    May, 2022

  • 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

  • 分析急诊科患者候床现象的变化并在香港 COVID-19 疫情波动中验证预测模型的可转移性：基于混合 CNN-LSTM 方法量化建筑层次的社会生态风险

    应用了混合卷积神经网络（CNN）- 长短期记忆（LSTM）模型，通过公共领域数据来源于香港的医院管理局、卫生署和房屋管理局，研究急诊科（ED）的等候时间超过四个小时（ED 候诊）与患者结果和卫生系统表现之间的关联。同时，通过深度迁移学习方法，寻找最显著扰乱复杂适应性医疗系统的 COVID-19 流行阶段，揭示其组成部分之间稳定的相互关系模式。本研究的结果表明：1）ED 候诊最多的是第四和第五波之间的天数；2）最佳预测 ED 候诊的模型观察到在第四和第五波之间，该模型基于代表时间不变的住宅建筑环境和社会人口特征，以及 ED 候诊和病例数的历史时间序列，与其他波次的预测最佳模型仅基于时间序列特征相比表现更好；3）当将第四和第五波之间构建的模型应用于其他波次的数据时，通过深度迁移学习，转移模型提高了本土模型的性能。

    Mar, 2024

  • 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

  • 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

  • ED-Copilot：运用语言模型诊断辅助降低急诊等待时间

    此研究论文旨在提供紧急科室（ED）临床医生诊断时的费效诊断协助，使用人工智能系统来提高诊断的时间效率和准确性，并使用已公开的患者数据开发了基准测试 MIMIC-ED-Assist 以评估 AI 系统在建议实验室检查方面的能力，同时最小化 ED 的等待时间和正确预测重要结果，研发的 ED-Copilot 通过使用预训练的生物医学语言模型编码患者信息和强化学习算法，较基准模型提高了预测准确性，并将平均等待时间从四个小时减少到两个小时。

    Feb, 2024

  • 机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

    该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

    Mar, 2024

  • 应急科室患者分诊的深度关注模型

    本研究提出了一种基于注意力机制的深度学习模型，可使用紧急科室病人的连续和规范数据以及医疗文本数据来预测病人所需的资源，从而提高排队模式的准确性和可靠性

    Mar, 2018