利用深度学习与可解释人工智能预测患者就医医院层级选择

在允许患者自行选择医疗机构的国家，一个常见问题是患者未做出理性决策，从而未能高效利用医疗资源。这可能导致诸如轻症患者挤占三级医院，进而限制其救治急危重症患者能力等问题。为应对这种患者数量分布不均，在进一步评估政策或资源分配之前，监测患者的选择至关重要。本研究使用全国保险数据，汇总现有文献中讨论的可能特征，并采用深度神经网络预测患者选择的医院层级。本研究还使用可解释人工智能方法解释特征对公众与个体的贡献。此外，我们探究了改变数据表示的有效性。结果显示，在标签高度不平衡的情况下，模型以高受试者工作特征曲线下面积（AUC）（0.90）、准确率（0.90）、灵敏度（0.94）和特异度（0.97）实现了预测。总体而言，公众对医疗机构的认可度（正面或负面）以及所在地区每万人执业医生数是排名靠前的影响特征。改变数据表示对预测提升有积极作用。深度学习方法能处理高度不平衡数据并达到高准确率。影响特征对公众和个体的作用不同。解决保险数据的稀疏性与离散性有助于更好预测。基于深度学习技术的应用在卫生政策制定中前景广阔。仍需更多工作来解释模型并落实实践。