2020年10月16日

附加数据,高级分析功能可提高机器学习推荐应用的性能

来自再生研究所和印第安纳大学的研究科学家进一步提高了Uppstroms的性能,它是一种机器学习应用程序,它通过合并其他个人和人群级别的数据源以及先进的分析方法,来识别可能需要转诊到环绕服务的患者。

研究团队的隶属包括Regenstrief,IUUP的IU Fairbanks公共卫生学院,IU医学院和Eskenazi 健康。

Uppstroms已在印第安纳波利斯的一家安全网医院相关的9家诊所中使用。该算法识别 带有诸如 或在食物或住房方面挣扎。这样,临床医生就可以为这些患者提供转诊的专门服务,例如营养师,行为健康或 ,目的是在危机爆发前解决需求。

有证据表明,至少有四分之一的成年人,甚至可能有多达二分之一的成年人,是由健康的社会决定因素驱动的。

本文的第一作者,Regenstrief研究科学家兼儿科助理教授Suranga Kasthurirathne博士说:“这些环绕式服务可以通过解决初级保健提供者无法解决的社会经济,行为和财务需求来增强初级保健的提供。”在IU医学院。 “为了使其在 ,我们结合了广泛的患者水平数据和更详尽的人群健康数据,以提高应用程序的精度,从而减少了误报率。”

先前方法的创新

添加到算法中的其他数据包括患者级别的健康,保险,用药史和行为健康史等社会决定因素。这些数据来自Eskenazi 健康的电子健康记录系统和印第安纳州患者护理网络,该网络由Indiana 健康 Information Exchange管理。在美国人口普查局,马里恩县公共卫生部门和社区健康调查中得出的人口普查区域的社会健康决定因素,该区域小于邮政编码所涵盖的区域。

研究团队评估了新的决策模型,发现它们优于以前的模型。新的患者水平数据和先进的分析方法在提高精确度方面发挥了关键作用。

IU Fairbanks公共卫生学院卫生政策中心教授兼教授兼研究中心主任Joshua R. Vest,MPH,Regenstrief研究科学家和教授说:“影响健康的大部分事情发生在医生办公室外。”在IUPUI。 “卫生系统正在努力将健康的社会决定因素纳入EHR。这项研究表明,在临床就诊期间捕获EHR中的社会因素并将其用于临床决策具有很大的好处。”

除了添加的数据元素外,研究团队还将该应用程序修改为与供应商无关的,这意味着它可以在任何电子健康记录系统中实施。

研究人员的下一步是开发一种在EHR中利用非结构化数据并将其包含在算法中的方法。

在网上在线发表了“基于精确健康的机器学习,以使用患者和人群水平的数据集来确定对环绕式社会服务的需求:算法的开发和验证”。 JMIR医学信息学.



更多信息: Suranga N Kasthurirathne等。启用精准健康的机器学习,使用患者和人群级别的数据集来确定对环绕式社会服务的需求:算法开发和验证, JMIR医学信息学 (2020)。 DOI:10.2196 / 16129
Provided 通过 再生研究所
引文: 附加数据,高级分析功能可提高机器学习推荐应用的性能(2020年10月16日) 2021年1月6日检索 from //xasqxhb.com/news/2020-10-additional-advanced-analytics-machine-referral.html
本文件受版权保护。除了出于私下学习或研究目的进行的任何公平交易外, 未经书面许可,不得复制部分内容。内容仅供参考。

用户评论