• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Congress in Nursing Informatics >Predicting Risk of 30-Day Readmissions Using Two Emerging Machine Learning Methods
【24h】

Predicting Risk of 30-Day Readmissions Using Two Emerging Machine Learning Methods

机译：使用两种新兴机器学习方法预测30天的预订风险

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Decades-long research efforts have shown that Heart Failure (HF) is the most expensive diagnosis for hospitalizations and the most frequent diagnosis for 30-day readmissions. If risk stratification for readmission of HF patients could be carried out at the time of discharge from the index hospitalization, corresponding appropriate post-discharge interventions could be arranged to avoid potential readmission. We, therefore, sought to explore and compare two newer machine learning methods of risk prediction using 56 predictors from electronic health records data of 1778 unique HF patients from 31 hospitals across the United States. We used two approaches boosted trees and spike-and-slab regression for analysis and found that boosted trees provided better predictive results (AUC: 0.719) as compared to spike-and-slab regression (AUC: 0.621) in our dataset.
机译：数十年来的研究努力表明，心力衰竭（HF）是住院治疗最昂贵的诊断和30天入院的最常见的诊断。如果在从指数住院中排放时，可以在排出患者的患者入院风险分层，可以安排相应的适当的放电后干预以避免潜在的再入行。因此，我们试图使用来自美国31家医院的1778名独特的HF患者的56名预测因子来探索和比较两个较新的机器学习方法。我们使用两种方法提升树木和尖峰和平板回归进行分析，发现升级树木提供了与我们的数据集中的Spike-and Slab回归（AUC：0.621）相比提供了更好的预测结果（AUC：0.719）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号