摘要

本文由Dat Hong, Philip M. Polgreen和Alberto Maria Segre共同撰写，聚焦于预测急诊部门出院后短期内（3天、7天和14天）的住院风险。文章通过数据挖掘技术，利用大型医院数据集，构建了高准确度的预测模型。该模型结合了逻辑回归、朴素贝叶斯和关联规则分类器，旨在帮助医生在急诊部门环境中预测患者早期入院的风险，从而提高患者安全和医疗服务质量。

原理

本文采用了一种集成学习方法，结合了逻辑回归（LR）、朴素贝叶斯（NB）和关联规则分类（ARC）三种算法。逻辑回归通过学习数据中的特征权重来预测二元响应的概率，其优势在于简单且易于解释。朴素贝叶斯假设各输入特征独立，通过计算条件概率来进行分类。关联规则分类则通过挖掘频繁项集来生成分类规则，这些规则基于特征的共现频率和支持度。集成学习通过组合这些分类器的输出，进一步提高了预测的准确性和稳定性。

流程

研究首先从2009年加州医疗成本和利用项目（HCUP）数据库中提取数据，筛选出5,487,722次急诊访问记录。随后，通过特征选择和编码，将原始数据转换为适合机器学习处理的格式。接着，使用训练数据集训练LR、NB和ARC分类器，并通过验证数据集调整模型参数。最后，利用测试数据集评估模型的性能，确保预测结果的准确性和可靠性。

应用

该预测模型具有广泛的应用前景，特别是在急诊部门中，可以帮助医生识别高风险患者，从而做出更合适的出院或入院决策。此外，该模型还可用于优化资源分配，如对高风险患者进行更密切的后续跟踪，减少不必要的再入院，提高医疗服务的整体效率和患者满意度。