Nov, 2023

预测和预防分析多地点易碎和老年患者服务建模

PDF
TL;DR通过结合预测性分析和指导性分析，本研究旨在评估不同的预测性和指导性分析方法对日益增长需求的医疗领域内运营挑战的贡献，并揭示在患者住院期间存在的真实世界的变化风险。
发现论文，激发创造
  • 一种处方式学习分析框架：超越预测建模，应用处方式分析和 ChatGPT 的可解释人工智能

    该研究提出了一种新的框架，将透明的机器学习与数据驱动的处方分析技术相结合，同时结合大型语言模型的最新进展，实现了对非完成方案的有风险学习者进行预测模型的构建和处方分析的人类可读的反馈。

    Aug, 2022

  • 从预测性分析到指导性分析

    该论文结合了机器学习和运筹学的想法，提出了一种基于数据的最优决策框架和方法，应用于条件随机优化问题中，证明了该方法的实用性和广泛适用性，并通过一个库存管理问题的实际案例展示了该方法的优越性。

    Feb, 2014

  • 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

  • 用公开的医疗保健数据构建医疗费用预测模型

    利用机器学习技术基于患者诊断和人口统计学数据构建预测模型，并使用决策树方法进行预测，其结果优于先前研究的类似问题报告的结果，因此有望降低医疗保健成本。

    Apr, 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

  • 电子健康记录预测建模的最新进展

    对基于电子健康记录数据的深度学习预测模型的最新进展进行系统综述，并讨论了预测建模在医疗保健中的挑战、基准和工具，以及未来研究的方向。

    Feb, 2024

  • 基于概率模型的医院电子健康记录顺序推理

    在动态医院环境中，决策支持是提高患者结果的有价值工具，本研究设计了一个概率无监督模型用于医院电子病历数据中包含的多个任意长度的序列，包括诊断、实验室检查、神经评估和药物，通过推断算法可以预测序列的长度和特定值的出现。

    Mar, 2024

  • 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

  • 患者健康记录中临床笔记和 ICD 码的连续预测建模

    通过研究，我们发现在入院后两天就可以预测最终的 ICD 代码，并且我们提出了一种定制模型，能够在这一早期预测任务上提高性能。

    May, 2024

  • 基于机器学习的医院再入院健康差异预测、诊断和缓解模型

    研究探讨了使用机器学习方法提前预测糖尿病患者住院需求的重要性，同时阐述了在数据收集和模型预测中消除社会相关的数据偏差的必要性。该研究提出了一种机器学习流程，能够检测并缓解数据和模型预测中的偏差，从而获得更加公正的预测结果。实验证明，及时消除数据收集过程中的偏差可以得到更加公平的预测结果。

    Jun, 2022