کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6948330 1451032 2018 38 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Processing electronic medical records to improve predictive analytics outcomes for hospital readmissions
ترجمه فارسی عنوان
پردازش سوابق پزشکی الکترونیکی برای بهبود نتایج پیش بینی تحلیلی برای پذیرش بیمارستان
کلمات کلیدی
ترجمه چکیده
پذیرش بیمارستان هزینه زیادی دارد اما تا حد زیادی قابل پیشگیری است. در سال های اخیر، بسیاری از محققان از تجزیه و تحلیل پیش بینی شده برای ساخت مدل هایی استفاده می کنند که می تواند پیامدهای اقتصادی و اجتماعی نامطلوب مجدد در بیماری های مزمن را به حداقل برساند. با این حال، اکثر این مطالعات بر بهبود نتایج یا از طریق توسعه مدل های بهتر و یا از طریق استفاده از مجموعه داده های غنی تر متمرکز شده اند. تعداد بسیار کمی از آنها قبل از پردازش جامع داده ها برای بهبود کارایی روش های تحلیل برای پیش بینی های بهتر تمرکز کرده اند. در این مطالعه، ما یک رویکرد پردازش داده جدید را پیشنهاد می دهیم که اطلاعات تاریخی فردی و پایگاه داده را از پرونده های پزشکی استخراج می کند تا بهبود عملکرد تحلیل های بازبینی را بهبود بخشد. ما این روش را با استفاده از دو مجموعه داده ای نسبتا بزرگ که متعلق به بیماری های مزمن با بالاترین نرخ پذیرش بستری در بیمارستان هستند، تست و اعتبار می کنیم. ما نتیجه می گیریم که پردازش مناسب مجموعه های بالینی داده های بزرگ با تجزیه و تحلیل و تکنولوژی های داده های بزرگ می تواند مزایای رقابتی را برای سازمان های بهداشتی ارائه دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
چکیده انگلیسی
Hospital readmissions are costly but largely preventable. In recent years, many researchers have used predictive analytics to build models that can minimize the adverse economic and social consequences of readmissions in chronic diseases. Most of these studies, however, have focused on improving the results either through the development of better models or through employing richer data sets. A very small number of them have focused on a comprehensive data preprocessing to improve the efficacy of analytics methods for better predictions. In this study, we propose a new data processing approach that extracts individual- and database-level historical information from the medical records to improve the performance of readmission analytics. We test and validate this method using two rather large data sets that belong to chronic diseases with the highest rates of hospital readmissions. We conclude that proper processing of large clinical data sets with analytics and big data technologies can provide competitive advantages to health care organizations.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 112, August 2018, Pages 98-110
نویسندگان
, ,