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
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
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。
Aug, 2023
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
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
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
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
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
本文探讨采用长短期记忆(LSTM)深度神经网络来挖掘多元时间序列的临床医疗数据,特别是在重症监护病房(ICU)中的应用,通过将 128 个诊断结果与 13 个临床测试指标进行分类建模,获得了优于其他多层感知机的分类效果。
Nov, 2015
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
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