ترجمه فارسی عنوان مقاله
مدلسازی پیش بینی بستری مجدد در بیمارستان با استفاده از فرامکاشفه و داده کاوی
عنوان انگلیسی
Predictive modeling of hospital readmissions using metaheuristics and data mining
کد مقاله | سال انتشار | تعداد صفحات مقاله انگلیسی |
---|---|---|
46040 | 2015 | 11 صفحه PDF |
منبع
Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)
Journal : Expert Systems with Applications, Volume 42, Issue 20, 15 November 2015, Pages 7110–7120
فهرست مطالب ترجمه فارسی
چکیده
کلیدواژه ها
1. مقدمه
2. بررسی مطالعات
جدول 1. نقشه پژوهشی برای تطابق بین نواحی و رویکردهای پژوهشی در زمینه پیش بینی پذیرش مجدد بیمار
3. روش پیشنهادی
3.1. شرح داده
3.2. پیش پردازش داده
جدول 2. دید کلی ویژگی های ورودی
3.3. شبکه های عصبی تابع پایه شعاعی
شکل 1. آمارهای توصیفی از داده خام حاصل از رکوردهای پزشکی
3.4. جنگل تصادفی
3.5. SVM مبتنی بر بهینه سازی گروهی ذرات
شکل 2. ابرسطح های SVM در طبقه بندهای دودویی
شکل 3. تابع کرنل برای طبقه بندی قابل تفکیک غیرخطی
جدول 3 سه نوع توابع کرنل
جدول 4 الگوریتم PSO-SVM
4. نتایج آزمایشی و تحلیل
4.1. معیارهای بهره وری
4.2. آموزش تحلیل نتایج
جدول 5 بهره وری آموزش روش های پیشنهادی
شکل 4. نمونه ای از درخت طبقه بندی در مدل جنگل تصادفی
4.2.1. شبکه های عصبی تابع پایه شعاعی
4.2.2. آموزش مدل جنگل تصادفی
4.2.3. آموزش PSO-SVM
شکل 5. مقایسه دقت بر تعداد ویژگی ها در سطح گره جنگل تصادفی
جدول 6 نتایج آزمایشی طبقه بندهای SVM با توابع کرنل مختلف
شکل 7. مقایسه دقت پیش بینی روش های پیشنهادی
شکل 6. مقایسه دقت پیش بینی پذیرش مجدد بیمار
شکل 7. دقت تست پیش بینی بر اساس 10 5-fold cross-validations.
4.3. مقایسه های نتیجه تست آزمایشی روش پیشنهادی
5. نتیجه گیری و کارهای آینده
کلیدواژه ها
1. مقدمه
2. بررسی مطالعات
جدول 1. نقشه پژوهشی برای تطابق بین نواحی و رویکردهای پژوهشی در زمینه پیش بینی پذیرش مجدد بیمار
3. روش پیشنهادی
3.1. شرح داده
3.2. پیش پردازش داده
جدول 2. دید کلی ویژگی های ورودی
3.3. شبکه های عصبی تابع پایه شعاعی
شکل 1. آمارهای توصیفی از داده خام حاصل از رکوردهای پزشکی
3.4. جنگل تصادفی
3.5. SVM مبتنی بر بهینه سازی گروهی ذرات
شکل 2. ابرسطح های SVM در طبقه بندهای دودویی
شکل 3. تابع کرنل برای طبقه بندی قابل تفکیک غیرخطی
جدول 3 سه نوع توابع کرنل
جدول 4 الگوریتم PSO-SVM
4. نتایج آزمایشی و تحلیل
4.1. معیارهای بهره وری
4.2. آموزش تحلیل نتایج
جدول 5 بهره وری آموزش روش های پیشنهادی
شکل 4. نمونه ای از درخت طبقه بندی در مدل جنگل تصادفی
4.2.1. شبکه های عصبی تابع پایه شعاعی
4.2.2. آموزش مدل جنگل تصادفی
4.2.3. آموزش PSO-SVM
شکل 5. مقایسه دقت بر تعداد ویژگی ها در سطح گره جنگل تصادفی
جدول 6 نتایج آزمایشی طبقه بندهای SVM با توابع کرنل مختلف
شکل 7. مقایسه دقت پیش بینی روش های پیشنهادی
شکل 6. مقایسه دقت پیش بینی پذیرش مجدد بیمار
شکل 7. دقت تست پیش بینی بر اساس 10 5-fold cross-validations.
4.3. مقایسه های نتیجه تست آزمایشی روش پیشنهادی
5. نتیجه گیری و کارهای آینده
ترجمه کلمات کلیدی
شبکه های عصبی، ماشین بردار پشتیبان، بهینه سازی گروهی ذرات، پذیرش مجدد بیمارستان، پیش بینی خطر
کلمات کلیدی انگلیسی
Neural networks; Support vector machine; Particle swarm optimization; Hospital readmission; Risk prediction
ترجمه چکیده
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.