非计划再入院风险预测研究

发布时间：2022-02-23 04:07

　　为改善患者身体健康,降低非计划再入院率,减轻患者负担和社会资源浪费,本研究基于我国某区域卫生信息平台的医疗数据,利用机器学习方法,构建了非计划再入院风险预测模型.不同于已有仅预测了再入院概率的研究,本研究通过将风险预测建模为多分类问题,实现了在时间和可能性两个维度对再入院风险进行预测.通过调整机器学习算法参数设置,构建了基于神经网络、随机森林和支持向量机算法的3大类共10个再入院风险备选预测模型.基于真实数据集的实验结果表明,在备选风险预测模型中,使用多项式核函数的支持向量机模型预测效果最好,预测准确率达到96.65%.本研究成果可以使医疗机构基于患者历史医疗数据,从时间和可能性两个维度更全面、精准地评估患者再入院风险,进而采取必要的干预措施,降低非计划再入院率. 

【文章来源】：北京理工大学学报. 2020,40(02)北大核心EICSCD

【文章页数】：9 页

【文章目录】：
1 数据处理和备选预测模型
    1.1 数据集介绍
    1.2 基于神经网络算法的模型构建
        ① 在输入层输入一组数据,即本研究选定的参与预测的属性值.
        ② 将输入数据按照网络神经元的连接关系,进行前向传播.
        ③ 计算输出层输出值与实际值的误差.
        ④ 按照网络结构将输出层处的误差进行逆传播,并得到参数的更新规则.
        ⑤ 持续迭代直到满足终止条件.
    1.3 基于随机森林算法的模型构建
    1.4 基于支持向量机算法的模型构建
2 风险预测模型选择
    2.1 基于神经网络算法的预测模型选择
    2.2 基于随机森林算法的预测模型选择
    2.3 基于支持向量机算法的预测模型选择
    2.4 最终预测模型的选择
3 结束语


【参考文献】：
期刊论文
[1]基于支持向量机的垃圾信息过滤方法[J]. 谷文成,柴宝仁,韩俊松.  北京理工大学学报. 2013(10)
[2]基于BP神经网络的信誉欺骗检测模型[J]. 金福生,牛振东,吴璠,张全新.  北京理工大学学报. 2012(01)
[3]基于决策树法的我国商业银行信用风险评估模型研究[J]. 徐晓霞,李金林.  北京理工大学学报(社会科学版). 2006(03)
[4]支持向量机在多类分类问题中的推广[J]. 刘志刚,李德仁,秦前清,史文中.  计算机工程与应用. 2004(07)



本文编号：3640840