利用文本挖掘方法和患者电子档案中的出院报告文本进行患者再住院预测,本研究评估了各种机器学习模型在预测患者再住院过程中的效果,并比较了词袋法和概念词袋法两种方法,结果显示随机森林模型和概念词袋法在其他机器学习模型和方法中具有更高的效率,相比于在该领域使用机器学习模型的类似研究,本研究在预测患者再住院概率方面取得了最高分数,回忆率为 68.9%。
Mar, 2024
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
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
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
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
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
该研究展示了一种单一模型在急诊科收集到的心电图数据上具备预测多种心脏和非心脏病症的能力,并提出将该模型作为筛查工具并纳入综合临床决策支持系统来高效地对患者进行分诊。研究强调了全面的心电图分析算法和开放式 MIMIC-IV-ECG 数据集的卓越性能,推动了心电图分析领域的重大进展。
Dec, 2023
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
通过使用最先进的机器学习方法和自然语言处理,我们检验了每种数据类型的有效性和它们组合起来的影响,以预测 ICU 患者的再次入院情况,并且在这个数据集上建立了未计划再次入院的分类等级,最终发现医生写的出院记录比其他数据类型更能够预测再次入院的情况。