مدلسازی پیش بینی بستری مجدد در بیمارستان با استفاده از فرامکاشفه و داده کاوی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

مدلسازی پیش بینی بستری مجدد در بیمارستان با استفاده از فرامکاشفه و داده کاوی

عنوان لاتین

Predictive modeling of hospital readmissions using metaheuristics and data mining

این پژوهش به مطالعه ی پیش بینی خطر بستری مجدد در بیمارستان با استفاده از رویکردهای فرامکاشفه و داده کاوی می پردازد. این امر یک مشکل حیاتی در سیستم مراقبت سلامت U.S. است، چون درصد بزرگی از بستری های مجدد بیمارستانی قابل اجتناب به دلیل کیفیت پایین مراقبت در طول بستری بودن بیمار در بیمارستان و فرآیندهای ضعیف ترخیص ایجاد می شود. برای کاهش تعداد پذیرش های مجدد بیمارستانی، مراکز و خدمات پزشکی یک برنامه جریمه پذیرش مجدد را ترتیب داده اند که بیمارستان ها بازپرداختی را به دلیل نرخ پذیرش مجدد بالا، برای مزایای مراقبت پزشکی دریافت می کنند. در این مطالعه خطر پذیرش مجدد بیمار به طور گسترده با ارزیابی امتیاز LACE که شامل مدت بستری بودن (L)، سطح پذیرش (A)، شرایط وجود همزمان دو بیماری (C) و استفاده از اتاق های اورژانسی (E) می شود، بررسی شده است. اما حدآستانه LACE، به طبقه بندی بیماران مجددا بستری شده با خطر-بالا و پایین می پردازد که توسط کارکنان کلینیک بر اساس شرایط و تجارب خاص تنظیم شده است. این پژوهش رویکردهای داده کاوی مختلفی برای شناسایی خطرات پیشنهاد می کند که شامل مدل شبکه عصبی، الگوریتم جنگل تصادفی (RF) و مدل ترکیبی مکاشفه هوش گروهی و ماشین بردار پشتیبان می شود (SVM). الگوریتم شبکه عصبی پیشنهادی، طبقه بندهای SVM و RF برای مدلسازی مشخصات بیماران، نظیر سن، پرداخت بیمه، خطرات دارو و غیره استفاده شده اند. نتایج آزمایشی نشان می دهند که مدل SVM پیش بینی پیشنهادی با تنظیم پارامتر گروهی، بهتر از سایر الگوریتم ها عمل کرده و 78.4% دقت پیش بینی کلی با 97.3% حساسیت بدست می آورند. حساسیت بالای آن، قدرتش را در شناسایی بیمارانی که مجددا پذیرش شده اند، نشان می دهد. نتیجه این پژوهش به کاهش نرخ کلی پذیرش مجدد بیمار کمک کرده و به بیمارستان امکان استفاده کارآمد از منابع خود برای بهبود مداخلات برای بیماران با ریسک بالا را می دهد.

This research studies the risk prediction of hospital readmissions using metaheuristic and data mining approaches. This is a critical issue in the U.S. healthcare system because a large percentage of preventable hospital readmissions derive from a low quality of care during patients’ stays in the hospital as well as poor arrangement of the discharge process. To reduce the number of hospital readmissions, the Centers for Medicare and Medicaid Services has launched a readmission penalty program in which hospitals receive reduced reimbursement for high readmission rates for Medicare beneficiaries. In the current practice, patient readmission risk is widely assessed by evaluating a LACE score including length of stay (L), acuity level of admission (A), comorbidity condition (C), and use of emergency rooms (E). However, the LACE threshold classifying high- and low-risk readmitted patients is set up by clinic practitioners based on specific circumstances and experiences. This research proposed various data mining approaches to identify the risk group of a particular patient, including neural network model, random forest (RF) algorithm, and the hybrid model of swarm intelligence heuristic and support vector machine (SVM). The proposed neural network algorithm, the RF and the SVM classifiers are used to model patients’ characteristics, such as their ages, insurance payers, medication risks, etc. Experiments are conducted to compare the performance of the proposed models with previous research. Experimental results indicate that the proposed prediction SVM model with particle swarm parameter tuning outperforms other algorithms and achieves 78.4% on overall prediction accuracy, 97.3% on sensitivity. The high sensitivity shows its strength in correctly identifying readmitted patients. The outcome of this research will help reduce overall hospital readmission rates and allow hospitals to utilize their resources more efficiently to enhance interventions for high-risk patients.