基于医疗索赔数据的全因住院再入院预测
计算机视觉与模式识别
2025-10-31 v1 人工智能
摘要
降低可预防的住院再入院率是支付方、医疗机构和政策制定者的国家优先事项，旨在改善医疗质量并降低成本。再入院率正被用作确定医院医疗质量的基准。在本项目中，我们使用Logistic回归、随机森林和支持向量机等机器学习技术分析健康索赔数据，识别预测全因再入院的关键人口学和医学因素。由于健康索赔数据是高维的，我们使用主成分分析作为降维技术，并将结果用于构建回归模型。我们根据Area Under Curve(AUC)指标对这些模型进行比较和评估。随机森林模型给出最高性能，随后是Logistic回归和支持向量机模型。这些模型可用于识别导致再入院的关键因素，帮助识别需重点关注的患者，从而降低再入院几率，最终降低成本并提高患者所接受医疗的质量。
关键词
引用
@article{arxiv.2510.26186,
title = {ConceptScope: Characterizing Dataset Bias via Disentangled Visual Concepts},
author = {Jinho Choi and Hyesu Lim and Steffen Schneider and Jaegul Choo},
journal= {arXiv preprint arXiv:2510.26186},
year = {2025}
}
备注
Published in the Thirty-Ninth Conference on Neural Information Processing Systems (NeurIPS 2025)