使用卷积门控循环深度学习模型预测住院时间
神经与进化计算
2024-09-27 v1 机器学习
摘要
预测住院时长(LoS)是塑造公共卫生战略的关键因素。这一数据是政府确定趋势、模式以及为改善医疗服务提供途径的基石。在本研究中，我们引入一种稳健的混合深度学习模型，即多层卷积(CNNs)深度学习、门控循环单元(GRU)和稠密神经网络的组合，在准确预测住院时长方面超过了11种传统和最先进的机器学习(ML)和深度学习(DL)方法。我们的研究深入探讨了这一混合模型的实施，审查了变量，如与照护机构相关的地理指标、涵盖患者族裔、种族和年龄的人口统计标记，以及医学属性，如CCS诊断代码、APR DRG代码、疾病严重度指标和住院时长。统计评估显示，我们提出的模型(CNN-GRU-DNN)实现了最高的LoS准确度，在10折交叉验证测试中平均为89%，在LSTM、BiLSTM、GRU和卷积神经网络(CNNs)方面分别超过了19%、18.2%、18.6%和7%。准确的LoS预测不仅使医院能够优化资源分配并降低长期住院的开支，还为住院管理的新策略铺平了道路。这一前景为催化医疗研究和创新，激发面向精准医疗实践的新时代。
引用
@article{arxiv.2409.17786,
title = {Predicting the Stay Length of Patients in Hospitals using Convolutional Gated Recurrent Deep Learning Model},
author = {Mehdi Neshat and Michael Phipps and Chris A. Browne and Nicole T. Vargas and Seyedali Mirjalili},
journal= {arXiv preprint arXiv:2409.17786},
year = {2024}
}