کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10225733 1701206 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Novel Approach to Predict Hospital Readmissions Using Feature Selection from Unstructured Data with Class Imbalance
ترجمه فارسی عنوان
رویکرد رمان برای پیش بینی مجدد بیمارستان با استفاده از انتخاب ویژگی از داده های بدون ساختار با عدم تعادل کلاس
کلمات کلیدی
تجزیه و تحلیل پیش بینی، داده های بدون ساختار، خلاصه تخلیه، عدم تعادل کلاس، کلمات متوقف شده مرتبط با دامنه، انتخاب ویژگی،
ترجمه چکیده
انتخاب ویژگی برای تجزیه و تحلیل پیش بینی شده همچنان یک چالش عمده در صنعت مراقبت های بهداشتی است، به خصوص به عنوان پیش بینی پذیرش مجدد. تحقیقات متعددی در داده های مراقبت های سلامتی معدن بر روی داده های ساختاری برای پیش بینی مجدد آماده شده اند. حتی در میان آن آثاری که براساس داده های بدون ساختار است، شکاف قابل توجهی در رفع عدم تعادل کلاس، حذف نویز خاص استوار است که به این ترتیب نیازمند روش پیش بینی آماده سازی دوباره استفاده از داده های بدون ساختار است. در این کار یک رویکرد جدید برای انتخاب ویژگی و حذف کلمات متوقف مربوط به دامنه از عدم ساختار با عدم تعادل کلاس در یادداشت های ترکیبی پیشنهاد شده است. مدل پیش بینی پیشنهادی از این ویژگی ها به همراه دیگر اطلاعات ساختاری مرتبط استفاده می کند. پنج تکرار پیش بینی ها برای اصلاح و بهبود مدل ها انجام شده است، نتایج آن ها در این مقاله ارائه شده است. نویسندگان پیشنهادات آینده را در اجرای رویکرد پیشنهادی در بیمارستان ها یا کلینیک ها پیشنهاد می کنند که با هدف استفاده از یادداشت های خلاصه شده تخریب ساختاری و غیر ساختاری صورت می گیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
رویکرد رمان برای پیش بینی مجدد بیمارستان با استفاده از انتخاب ویژگی از داده های بدون ساختار با عدم تعادل کلاس
چکیده انگلیسی
Feature selection for predictive analytics continues to be a major challenge in the healthcare industry, particularly as it relates to readmission prediction. Several research works in mining healthcare data have focused on structured data for readmission prediction. Even within those works that are based on unstructured data, significant gaps exist in addressing class imbalance, context specific noise removal which thus necessitates new approaches readmission prediction using unstructured data. In this work, a novel approach is proposed for feature selection and domain related stop words removal from unstructured with class imbalance in discharge summary notes. The proposed predictive model uses these features along with other relevant structured data. Five iterations of predictions were performed to tune and improve the models, results of which are presented and analyzed in this paper. The authors suggest future directions in implementing the proposed approach in hospitals or clinics aimed at leveraging structured and unstructured discharge summary notes.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Big Data Research - Volume 13, September 2018, Pages 65-75
نویسندگان
, , ,