A Machine Learning Approach for Monitoring and Classifying Healthcare Data-A Case of Emergency Department of KSA Hospitals
Notice bibliographique
Résumé
The Emergency Departments (EDs), in hospitals located in a few important areas in Saudi Arabia, experience a heavy inflow of patients due to viral illnesses, pandemics, and even on a few special occasions events such as Hajj or Umrah, when pilgrims travel from one region to another with severe disease conditions. Apart from the EDs, it is critical to monitor the movements of patients from EDs to other wards inside the hospital or in the region. This is to track the spread of viral illnesses that require more attention. In this scenario, Machine Learning (ML) algorithms can be used to classify the data into many classes and track the target audience. The current research article presents a Machine Learning-based Medical Data Monitoring and Classification Model for the EDs of the KSA hospitals and is named MLMDMC-ED technique. The most important aim of the proposed MLMDMC-ED technique is to monitor and track the patient's visits to the EDs, the treatment given to them based on the Canadian Emergency Department Triage and Acuity Scale (CTAS), and their Length Of Stay (LOS) in the hospital, based on their treatment requirements. A patient's clinical history is crucial in terms of making decisions during health emergencies or pandemics. So, the data should be processed so that it can be classified and visualized in different formats using the ML technique. The current research work aims at extracting the textual features from the patients' data using the metaheuristic Non-Defeatable Genetic Algorithm II (NSGA II). The data, collected from the hospitals, are classified using the Graph Convolutional Network (GCN) model. Grey Wolf Optimizer (GWO) is exploited for fine-tuning the parameters to optimize the performance of the GCN model. The proposed MLMDMC-ED technique was experimentally validated on the healthcare data and the outcomes indicated the improvements of the MLMDMC-ED technique over other models with a maximum accuracy of 91.87%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».