為改善患者身體健康,降低非計(jì)劃再入院率,減輕患者負(fù)擔(dān)和社會資源浪費(fèi),本研究基于我國某區(qū)域衛(wèi)生信息平臺的醫(yī)療數(shù)據(jù),利用機(jī)器學(xué)習(xí)方法,構(gòu)建了非計(jì)劃再入院風(fēng)險(xiǎn)預(yù)測模型.不同于已有僅預(yù)測了再入院概率的研究,本研究通過將風(fēng)險(xiǎn)預(yù)測建模為多分類問題,實(shí)現(xiàn)了在時(shí)間和可能性兩個(gè)維度對再入院風(fēng)險(xiǎn)進(jìn)行預(yù)測.通過調(diào)整機(jī)器學(xué)習(xí)算法參數(shù)設(shè)置,構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)算法的3大類共10個(gè)再入院風(fēng)險(xiǎn)備選預(yù)測模型.基于真實(shí)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,在備選風(fēng)險(xiǎn)預(yù)測模型中,使用多項(xiàng)式核函數(shù)的支持向量機(jī)模型預(yù)測效果最好,預(yù)測準(zhǔn)確率達(dá)到96.65%.本研究成果可以使醫(yī)療機(jī)構(gòu)基于患者歷史醫(yī)療數(shù)據(jù),從時(shí)間和可能性兩個(gè)維度更全面、精準(zhǔn)地評估患者再入院風(fēng)險(xiǎn),進(jìn)而采取必要的干預(yù)措施,降低非計(jì)劃再入院率. 

【文章來源】：北京理工大學(xué)學(xué)報(bào). 2020,40(02)北大核心EICSCD

【文章頁數(shù)】：9 頁

【文章目錄】：
1 數(shù)據(jù)處理和備選預(yù)測模型
    1.1 數(shù)據(jù)集介紹
    1.2 基于神經(jīng)網(wǎng)絡(luò)算法的模型構(gòu)建
        ① 在輸入層輸入一組數(shù)據(jù),即本研究選定的參與預(yù)測的屬性值.
        ② 將輸入數(shù)據(jù)按照網(wǎng)絡(luò)神經(jīng)元的連接關(guān)系,進(jìn)行前向傳播.
        ③ 計(jì)算輸出層輸出值與實(shí)際值的誤差.
        ④ 按照網(wǎng)絡(luò)結(jié)構(gòu)將輸出層處的誤差進(jìn)行逆?zhèn)鞑?并得到參數(shù)的更新規(guī)則.
        ⑤ 持續(xù)迭代直到滿足終止條件.
    1.3 基于隨機(jī)森林算法的模型構(gòu)建
    1.4 基于支持向量機(jī)算法的模型構(gòu)建
2 風(fēng)險(xiǎn)預(yù)測模型選擇
    2.1 基于神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型選擇
    2.2 基于隨機(jī)森林算法的預(yù)測模型選擇
    2.3 基于支持向量機(jī)算法的預(yù)測模型選擇
    2.4 最終預(yù)測模型的選擇
3 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]基于支持向量機(jī)的垃圾信息過濾方法[J]. 谷文成,柴寶仁,韓俊松.  北京理工大學(xué)學(xué)報(bào). 2013(10)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的信譽(yù)欺騙檢測模型[J]. 金福生,牛振東,吳璠,張全新.  北京理工大學(xué)學(xué)報(bào). 2012(01)
[3]基于決策樹法的我國商業(yè)銀行信用風(fēng)險(xiǎn)評估模型研究[J]. 徐曉霞,李金林.  北京理工大學(xué)學(xué)報(bào)(社會科學(xué)版). 2006(03)
[4]支持向量機(jī)在多類分類問題中的推廣[J]. 劉志剛,李德仁,秦前清,史文中.  計(jì)算機(jī)工程與應(yīng)用. 2004(07)



本文編號：3640840